基于LSTM-GMM模型的大风多级预警方法

为保障大风场景下的高铁运行安全，针对风的强随机特性提出一种基于长短期记忆网络和高斯混合模型的多级预警（LSTM-GMM-MELW）方法。首先，通过长短期记忆网络和高斯混合模型（LSTM-GMM）建立风速误差值与风速预测值的联合概率密度，以此确定风速预测值的概率密度；然后，通过多级预警方法计算风速预测值落在高铁限速风速区间的概率值并结合实际情况设置不同阈值，当得到超出阈值的概率时输出阈值对应的预警等级；最后，采用预测区间的覆盖概率、平均宽度和覆盖宽度评价LSTM-GMM方法的概率性预测结果，而采用预警准确率评价多级预警方法的预警效果。依托平潭海峡公铁两用大桥29个风速样本进行实例分析，结果表明：95%置信度下的预测区间的覆盖概率为96%，平均宽度为1.51；第1、第2级别的预警准确率分别高于85%和93%，预警准确率达到100%的风速样本达14个，总体预警准确率高。该方法能有效避免风速在限速分界线附近波动时的误报。     

基于Bootstrap和GA-Elman的土质滑坡坡表变形区间预测

坡体变形是表征边坡稳定性最直观的指标。如何科学合理地解译其演化特征,对滑坡灾害预警防范具有重大的工程意义及科学价值。由于滑坡灾害的影响因素中,很多不确定因素都不可能完全准确地定量分析,只能从定性层面建立影响因素与坡体变形的关系,为了解决滑坡确定性预测方法中未考虑预测与数据误差的问题,量化滑坡点预测结果中的不确定因素的影响,依托滑坡坡表变形点预测方法,提出基于残差Bootstrap与GA-Elman神经网络的区间预测方法。相比于传统方法,通过变形伪数据集的建立、GA-Elman模型的迭代训练与总方差估计、ELM网络残差训练与随机误差方差估计等步骤创建的区间预测方法在预测可靠性、区间宽度、针对特殊变化坡体的预测灵活度等方面都有显著提升。利用Bootstrap重抽样模型、GA-Elman神经网络预测算法以及区间预测理论方法,建立基于Bootstrap和GA-Elman的滑坡变形区间预测模型。研究导致滑坡变形的不同影响因素、预测模型参数及置信区间等对于区间预测模型效果的影响,并运用到现场滑坡中。分析结果表明,所提出的方法可适用于现场滑坡,更好地将滑坡降雨等影响因素与坡体表观变形建立联系,为滑坡...     

基于机器学习的高铁边坡位移预测不确定性度量与应用

为解决不确定性问题对高铁边坡位移预测精度的影响,引入区间预测理论量化位移预测中的不确定性问题,并建立Bootstrap-GRU-BP混合区间预测模型（BGB模型）。该模型首先采用基于Bootstrap的门控循环单元（Gated Recurrent Unit,GRU）算法度量位移预测均值和认知误差的方差,再采用BP算法度量随机误差的方差,然后将位移预测均值、认知误差和随机误差的方差3者结合在一起,量化出一定置信水平下的预测区间。最后,基于杭绍台高铁沿线边坡的监测数据,探讨BGB模型认知不确定性的响应特征,并通过对比多种区间预测模型来验证BGB模型的优越性。结果表明：BGB模型不仅能构造清晰可靠的预测区间,还能提供高精度的点预测结果;改变模型输入特征和预测算法会导致认知不确定性的改变,而BGB模型所构造的预测区间能正确地响应不确定性的变化;对比以极限学习机（Extreme Learning Machine,ELM）和支持向量回归（Support Vector Regression,SVR）为核心的区间预测模型,BGB模型的区间预测和点预测性均能更优。研究成果可为高铁边坡位移发展提供可靠的预...     

CR400BF平台动车组故障预警预测研究

根据动车组运维现场实际需求,基于动车组状态参数监控标准、车载报故障逻辑,以及现场重点故障特征等信息,建立故障预警预测模型,制定预警预测故障代码及故障处置建议措施。依托动车组故障预测与健康管理系统开展模型试用,验证了模型的可行性和适用性。通过开展CR400BF平台动车组故障预警预测研究,为动车组的远程监控提供了有力的技术支撑,有效降低了动车组的运行安全风险,保障了动车组的运行秩序。     

大数据下考虑区间不确定阻抗的公交客流分配模型

为改进传统公交客流分配模型在处理实际路网阻抗缺乏不确定上的局限,运用公交车辆GPS数据和站点GIS数据来获取公交车在区间的行驶时间.将各公交站点的行程时间分为公交车辆运行时间、站点候车时间及换乘惩罚时间,并考虑到由于交通情况不确定导致阻抗的不确定,结合区间不确定理论,获取区间阻抗的计算方式,构建区间阻抗下的改进Logit公交客流分配模型,并设计求解方法.最后以深圳石岩街道区域9条公交线路为例,利用实际案例数据对所构建的模型进行验证,并对结果进行误差分析.研究结果表明:与传统不考虑区间不确定阻抗的客流分配模型相比,所建的客流分配模型的平均分配误差从17.7％下降至6.9％,9条线路的平均最大误差也从24.3％降至9.0％,即模型更加准确和贴合实际.     

基于超椭球Markov的列车控制中心剩余使用寿命预测

为研究设备可用度对列车控制中心（TCC,Train Control Center）的影响和预测TCC的剩余使用寿命（RUL,Remaining Useful Life）,降低TCC的故障发生率,确保车辆安全运行,构建TCC动态故障树模型。通过引入Markov理论,将其转化为Markov模型,设计了TCC可用度评估与RUL预测方法;考虑了TCC的失效率和共因失效,利用D-S(Dempster-Shafer)证据理论对失效数据作数据融合处理,得到TCC设备初始故障区间概率;在此基础上,采用超椭球模型约束设备初始故障区间概率,得到更加精确的底事件故障区间概率;画出Markov状态转移图,用矩阵推导出TCC可用度和RUL的函数关系式,且对可用度的计算还考虑了维修因素。以兰州—乌鲁木齐客运专线某TCC数据作为分析案例,用该方法计算TCC及其各设备的可用度,并预测TCC的RUL。结果表明：与通用方法相比,评估结果相同,但评估信息更丰富。     

基于DeepAR的短期风速概率预测

为对铁路沿线风速提前进行预判，保障桥梁施工及高速铁路列车运行时的安全，提出基于深度自回归模型(DeepAR)的短期风速预测方法。采用平潭海峡公铁两用大桥和西堠门大桥实测风速进行验证，并以包括小波包分解下的卷积神经网络和循环神经网络混合模型(WPD-CNNLSTM-CNN)在内的4种模型作为点预测对比模型，以SimpleFeed-Forward、ARIMA、Random Walk模型进行置信度为50%与95%的区间预测作为对比模型。研究结果表明：无论是点预测还是区间预测，DeepAR模型都能够在具有随机性、间歇性的短期风速序列中提取到特征信号并进行精度较高的预测，且相比于其他模型具有更好的准确性与泛化能力，可满足实际工程短期风速预测需求。     

轨道交通客流预测四阶段法的改进

从交通生成、交通分布、交通方式划分等3方面指出了轨道交通客流预测四阶段法的不足,提出按出行目的对区内和区间的交通分布分别建模,对原来没有轨道交通的城市,采用二阶段的轨道交通方式划分对规划中的轨道交通客流进行预测,建立了区内、区间分布模型。并对分布模型的改进方法进行了验证,改进分布模型较原重力模型对样本OD的模拟更精确。     

宏观铁路运输市场预警系统的研究

根据预警思想选择一系列能全面及时地反映铁路运输市场景气状况的预警指标，利用灰色系统理论数学预测法和派生德尔菲专家预测法综合预测出下季度铁路运输预警指标的值，用景气信号方法对预测值进行分析并显示出该季度的预警信号，以此评价铁路运输市场景气运行的冷热程度和正常与否。     

武汉地铁黄浦路站防洪涝水位及预警研究

国内城市地铁防洪已成为轨道交通发展过程中亟待解决的问题,其中防洪涝水位及预警是城市地铁防洪的重点。文章以武汉地铁黄浦路站为研究对象,通过建立暴雨仿真模型,计算得出地铁车站出入口的洪涝积水深度及降雨量阈值,提出基于降雨区间预报的防洪预警方法,针对预警级别提出相应的防洪措施;计算得出黄浦路站3个出入口的洪涝积水水深和降雨量阈值,以及三级预警级别。     

基于模糊神经网络预测控制的高速列车ATP研究

在目标-距离速度控制模式普遍应用于我国高速铁路列车控制的背景下,本文针对高速列车运行性能的要求,将模糊神经网络预测控制运用到高速铁路ATP中,对列车速度进行控制。控制系统以闭塞区间为单位,建立高速列车速度模糊神经网络预测控制模型。在闭塞区间内,利用车-地通信将控制所需信息发送至列控中心;根据所得信息,通过预测控制算法得到从当前位置到闭塞分区出口的列车速度自动防护曲线并确定列车运行方式和控制策略;在每1个通信周期内,利用滚动优化和误差校正进行速度优化。仿真结果表明,与传统的控制方法相比,基于模糊神经网络预测控制的高速列车ATP具有更高的安全性。     

基于支持向量机的高速铁路地震预警震级连续预测方法

利用日本K-net强震动数据,研究基于支持向量机的震级连续预测方法。在P波到达后0.5～10.0 s范围内,以0.5 s为间隔建立预测时间窗,选取12个P波特征参数作为模型输入参数,构建支持向量机的高速铁路地震预警震级预测模型(SVM-HRM),并将模型的震级预测结果分别与传统的震级预测模型以及现行标准进行对比。结果表明:3.0 s时间窗下,模型的震级预测误差明显小于传统的τ_c方法与P_d方法,小震高估明显改善,且模型的构建不受数据震中距筛选的影响,具备泛化性能;对于震级范围在3～5级的地震事件,模型的单台实现率在P波到达后的0.5 s达到95%,优于《高速铁路地震预警监测系统试验方法》要求的首报震级预测实现率标准;对于震级范围在3～5级、5～7级、7～8级之间的地震事件,模型的单台实现率分别在P波到达后的0.5,1.5,0.5 s优于多台实现率标准;最迟在P波到达后的1.5 s,模型便可发出符合震级预测实现率标准的地震预警首报,满足高速铁路地震预警震级预测的准确性和连续性要求。     

高铁沿线大风预测技术研究

风速预测是风致灾害预警的关键技术。针对高铁大风预测中延迟性和误报的问题,提出一种基于完整集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的组合预测模型对高铁沿线风速进行预测。为了减少预测模型的复杂度和提高模型预测精度,原始风速数据用CEEMDAN分解并利用样本熵(SE)理论将分解出的分量按照样本熵近似值重组成趋势、细节、随机三分量后用长短期记忆神经网络建立预测模型。以高铁沿线某段风速气象数据为例,实验结果表明,与其他预测方法相比,本方法可有效降低预测延迟性和提高预测精度,准确追踪风速的波动性和非线性非平稳的变化,性能更加优越。在高速铁路沿线大风预测中能够发挥良好的适用性,减少大风预警的误报或不报等情况的发生。     

建设期高层建筑物沉降数据回归分析方法

对建设期高层建筑物沉降观测数据的回归分析计算至关重要。本文结合具体工程案例,以其代表性观测点位沉降数据为依据,系统介绍有关回归分析方法和理论实践。首先对沉降数据进行趋势法检验计算,以发现数据中是否存在粗差影响;其次选择合适的回归模型对数据进行回归计算比较;最后对较适合本案例的回归模型依次进行模型显著性检验、回归系数显著性检验以及对较大预测残差值t处进行预测区间估算等,通过系统的计算、比较和检验分析,从而确定最适合的数据回归模型,以对建筑物其他沉降数据和后期沉降预测进行检验和分析。     

地铁盾构掘进进度三维非线性控制方法研究

研究目的:地铁区间盾构掘进过程中,工程水文地质条件复杂且需穿过各种建筑物群,施工环境复杂,实际作业管理难度大。为优化控制盾构掘进进度,本文以福州地铁2号线过闽江区间盾构掘进进度控制为例,综合运用BP神经网络、灰色预测理论、动态优化预警控制方法、BIM虚拟优化方法以及OA远程辅助办公系统,以实现对地铁区间盾构掘进进度的三维非线性控制。研究结论:(1)运用BP神经网络、灰色预测理论进行盾构进度目标估算,提高了盾构机进度目标非线性估算的准确性和可靠性;(2)通过综合运用BIM、PDCA、预警等动态优化管理方法,循环控制盾构施工的掘进过程,实现进度信息的直观可视化、施工进度的动态优化;(3)以实际工程盾构掘进进度控制为例,建立BIM、OA办公自动化等信息集成系统,实现对区间盾构进度的实时、远程、三维动态优化控制;(4)本文研究可为类似工程的进度管理提供参考。     

地铁轨道几何不平顺指标预测方法研究

充分考虑轨道平顺状态劣化的不确定性和异质性,基于灰色区间预测建模理论建立了轨道几何不平顺指标灰色区间预测模型。为验证模型的可靠性,根据北京地铁2号线10个典型单元区段在2017年2月至2019年2月之间的12次轨检车检测数据,以三角坑不平顺指标为例,利用所建模型进行模拟并将模型预测值与实际检测值进行对比。结果表明,该模型模拟结果精度检验合格且具有较高的预测精度,可以用于预测轨道几何不平顺指标。     

基于地铁列车监控数据的牵引变流器滤网堵塞故障预警研究

针对地铁列车牵引变流器冷却系统的滤网脏堵问题,提出了一种基于机器学习的变流器滤网脏堵预警模型,以指导滤网的预测维修决策.首先,为确定强分类的特征参数,结合列车牵引系统的检修记录,利用随机森林分类模型对列车历史数据进行特征筛选;其次,基于选定特征构建了孤立森林异常检测模型,并对模型参数进行优化;最后,分别在历史健康数据、...     

基于多功能车辆总线的机车轴承故障诊断系统

研制开发的基于多功能车辆总线的机车轴承故障诊断系统是通过监测温度和振动信号来对机车走行部轴承进行早期诊断和预警,把组合预测模型引入机车轴承故障预警,使用灰色模型和时间序列模型预测故障增长性趋势和波动性趋势,再将预警值加以综合。给出了诊断系统的硬件结构、软件功能与特点。试验表明所开发的系统有很强的鲁棒性,能有效监测机车轴承故障。     

地铁区间隧道环境温度影响因素分析和预测模型研究

利用地铁区间隧道环境温度的实测数据,分析了大气温度、大气相对湿度、列车数量、客流量、运行年限对地铁区间隧道环境温度的影响,并利用回归分析得到了区间隧道环境温度的预测模型.分析结果显示:外界大气温度直接影响区间环境温度的变化趋势;区间隧道环境温度与外界大气相对湿度、列车数量和客流量具有相似的波动规律;运行年限的增加导致区间隧道热堆积加剧,使区间隧道环境温度逐年升高;利用回归模型的T检验结果可以得到各因素对区间隧道环境温度的影响程度,而回归模型可以较准确地预测隧道环境温度.     

基于改进非等时距灰色模型与PSO优化的轨道不平顺预测

基于轨道动检数据开展的轨道不平顺预测研究,可用于指导以预防为主的养护维修作业。将改进非等时距灰色模型与粒子群优化(Particle Swarm Optimization,PSO)相结合来实现轨道质量指数(Track Quality Index,TQI)的高精度预测。在考虑TQI原始动检数据特征的基础上增加原始数据平滑优化、累加初始值优化和背景值优化等环节提出改进非等时距灰色模型。利用PSO算法的启发式搜索优势,以平滑优化参数、初始值优化参数、背景值优化参数为搜索目标,以预测平均相对误差为适应度函数,实现预测模型参数的自适应优化。在此基础上,基于优化参数计算得到拟合区间和外推区间上的TQI预测结果。选取沪昆线上行区段实测TQI数据对本文方法进行验证,并与既有TQI组合预测模型的预测结果进行了对比。研究结果表明,模型可有效捕捉TQI序列中的随机波动与实时演变趋势,在外推区间上的平均相对误差分别为2.04%和2.54%,预测性能优良;当TQI序列振荡特性显著时,本模型仍能保证预测结果的可靠性;与组合预测模型相比,该模型规避了残差修正、多算法融合等繁琐步骤,可通过有限优化环节提升预测精度,为轨...