融合人工智能算法的铁路路基沉降预测方法

首先利用三阶多项式拟合、GM(1,1)和BP神经网络等算法构建了铁路路基沉降单预测模型；然后基于误差法和熵值法，以合肥地铁4号线盾构隧道下穿既有铁路的监测数据为基础，融合三阶多项式拟合、GM(1,1)和BP神经网络构建了组合预测模型，实现铁路路基沉降的分阶段预测；最后，利用平均绝对误差、均方误差和平均绝对百分比误差评价模型精度。结果表明：基于误差法和熵值法的组合预测模型能显著提高预测精度，预测相对误差均小于±5%，预测均方根误差均小于±0.1 mm，验证了提出的组合预测模型的有效性。     

基于灰色区间理论的重载铁路轨道质量指数发展预测

基于一重载铁路大量历史检测数据,利用灰色区间理论建立了重载铁路轨道质量指数的灰色区间预测模型,对重载铁路轨道质量指数变化规律进行了预测。模型采用分段三次Hermite插值函数将非等时距序列转化为等时距序列,将所选区段单次检测平均值作为观测值,根据预测结果反算求得每个单元区段的轨道质量指数预测值。结果表明,采用灰色区间预测模型能够对重载铁路轨道质量指数的发展变化进行高效率、高精度的模拟与预测。     

新建铁路大临线临沧站站场路基沉降评估分析

为探索施工期站场路基沉降规律,以临沧站为例建立现场监测段,采用曲线拟合法对路基沉降值进行预测,确定适合该地区的沉降预测手段;并对施工期高填方路基内部应力特征及路基沉降特征进行总结分析;依据相关国家规范,制定针对施工期站场路基质量的评估体系。研究结果表明:三点法和指数曲线法对该地区沉降预测适应性较好,误差在±1%之内,而采用双曲线法所得计算值普遍偏大;路基内部土压力随着填土高度的增加而增大,填土结束后土压力值逐步趋于稳定;路基累计沉降与施工填土工况直接相关,且最大沉降速率发生在施工填土初期;依据施工期路基质量评估准则,该段铁路路基施工工艺及施工质量符合要求,路基沉降发展安全可控。研究成果对铁路施工期路基沉降预测及路基质量评估具有重要参考意义。     

基于相空间重构的铁路货运量神经网络预测

针对现有铁路货运量预测方法的不足,建立了基于相空间重构的神经网络预测模型。该模型在对货运量原始数据进行相空间重构的基础上,将重构后的数据输入神经网络进行学习训练,最后选取待预测的时间点来预测铁路货运量的发展趋势,并以大秦线1989--2008年的货运量数据为基础进行预测与验证分析。     

高速铁路车站岔区高填方路基沉降组合预测研究

为确定高速铁路车站岔区高填方路基工后沉降是否满足铺设无砟轨道要求，结合现场监测沉降数据，采用三种单项模型(V模型、D模型和H模型)对沉降进行预测；利用最优组合原理建立邓英尔-双曲线组合模型(D-H模型)、邓英尔-灰色费尔哈斯组合模型(D-V模型)、双曲线-灰色费尔哈斯组合模型(H-V模型)3种两模型组合模型和1种三模型组合模型(D-H-V模型)。进一步探讨各预测模型的适用性和可靠性，引入5个精度评价指标，对各模型预测效果进行评价，预测效果优劣顺序为：三模型组合模型>两模型组合模型>邓英尔模型>灰色Verhulst模型>双曲线模型。用各断面的最优模型预测工后沉降，各断面工后沉降均满足铺设无砟轨道要求。     

基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测

岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_θ/σ_c、岩石脆性系数σ_c/σ_t以及弹性能量指数W_et作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。     

重载铁路轨道不平顺谱构建与分析

研究目的:为掌握重载铁路轨道不平顺特征,基于重载轨道不平顺实测数据进行数据预处理与数字特征分析;利用Welch法对重载轨道不平顺谱进行估计;提出能表征重载不平顺谱特征的统一拟合模型,利用L-M算法对重载高低、轨向、水平和轨距不平顺谱进行拟合,得到平均谱拟合参数;并将重载不平顺拟合谱与现有不平顺谱进行对比分析.研究结论:...     

高速铁路无砟轨道填方路堤病害加固设计与效果分析

以某无砟轨道客运专线铁路高填方路基沉降异常病害整治为工程背景,采用多综合手段探明了填方路基沉降异常病害的形成机理,通过现场试验对不破板条件下无砟轨道客运专线铁路高填方沉降异常加固设计方法进行方案比选,结合现场多种测试方法对注浆加固无砟轨道客运专线铁路高填方路基沉降异常病害的效果进行了检测分析。研究表明:填料质量和路基渗水软化是造成无砟轨道客专路基沉降异常的主要原因;在客运专线无砟轨道已铺设完成的情况下,经工艺试验和研究,采取袖阀管结合小导管注浆的加固高填方路基;不仅可以保证加固过程中轨道板的变形量,也可以使加固后路基的路基满足后续运营及相应的设计和规范要求;研究成果对同类型无砟轨道铺设后填方路基沉降异常处置有借鉴与参考价值。     

重载铁路粗粒土填料累积变形预测模型与应用

为研究重载铁路粗粒土基床层在循环荷载作用下的累积变形发展规律,开展了不同围压、动应力幅值和含水率的大型动三轴试验。分析了各种条件下粗粒土试样的轴向累积应变-循环振次的关系与变化规律,提出了一个适合路基粗粒土累积应变计算的预测模型,明确了模型参数的物理意义及确定方法,并应用该模型分析计算了不同轴重和填料种类的粗粒土基床层累积变形,此外还探讨了预测模型的适用范围。研究成果可为重载铁路基床层沉降计算提供理论参考。     

优化GM(1,1)与SVM组合模型的路基冻胀预测应用

基于非等时距GM(1,1)优化预测模型,采用支持向量机进行预测残差修正,建立一种组合预测算法,并运用该算法对铁路路基冻胀进行定量预测。对经典非等时距GM(1,1)模型背景值和初值的计算方法进行优化,同时设置时距权值矩阵,对不同时间测量所得数据赋予不同权重。在初始预测后,对残差值采用支持向量机进行非线性修正,得到最终预测值。选取哈大客专某区段实际测量路基冻胀数据,对算法实用效果进行检验。所建立预测模型平均预测误差值为2.039%,最大预测误差5.911%,后验证差比值0.005,各项指标均优于单一灰色模型与文献[6]中建立的组合预测模型,实现了对铁路路基冻胀的较高精度定量预测。     

黄土路基工后沉降预测模型对比研究

工后沉降是造成路基沉降变形的主要原因,研究路基工后沉降的规律并预测最终沉降量对工程设计具有重要意义.利用兰武二线黄土路基工后沉降的长期观测数据,提出一种新的分析预测模型--似固结模型,并与泊松模型、指数模型、对数模型、双曲线模型的预测结果进行对比分析.结果表明:双曲线模型与似固结模型的误差平方和与预测曲线的误差均较小,能较好地反映黄土路基工后沉降的规律,两者相互印证,提高了工后沉降预测的可靠度.利用各种预测模型对不同测点工后沉降进行预测分析后的对比研究表明,似固结模型对黄土路基工后沉降的预测有较广泛的适用性,研究结论对于黄土地区铁路建设具有一定的借鉴意义.     

基于改进灰色模型的东北地区铁路货运量预测

铁路货运量预测在国家和区域经济发展规划中具有十分重要的作用。灰色GM(1,1)预测模型被广泛应用于铁路货运量预测研究中。本文在建立灰色GM(1,1)模型的基础上,采用更符合东北地区经济发展态势的改进灰色模型——新陈代谢GM(1,1)模型对东北地区2006—2011年铁路货运量进行预测。通过对原始数据与预测数据的精度检验后发现:新陈代谢GM(1,1)模型满足四种精度检验要求,符合一级预测标准并适合中长期预测,适合于东北地区铁路货运量的预测研究。最后应用新模型预测2012—2015年东北地区的铁路货运量,使得预测数据更加合理化。与灰色预测的基本模型相比,改进的预测模型具有较好的实用价值。观察预测数据发现东北地区货运量呈单调递增趋势,有良好的发展态势。     

灰色GM（1，1）模型预测沉降的局限性分析

考虑现场沉降监测数据的不等时间间隔性及数据的不断更新性,建立了不等时距等维新息GM(1,1)沉降预测模型并研发了相应的预测程序RIID,将其应用于实际工程的沉降预测,验证了预测模型合理性和程序的可行性。分析了实测数据时间间隔和预测步数对GM(1,1)模型预测精度的影响。结果表明:数据时间间隔相差太大,将导致模型失真;GM(1,1)模型只能进行短期预测,若要预测未来较长时间内的沉降,必须有新增数据,这就使得该模型在实际工程中的应用受到限制。     

路基沉降预测的拓展指数曲线模型

路基的工后沉降是高速铁路建设中的主要问题之一,通过实测沉降资料,采用曲线拟合的方法估算工后沉降是工程中最为常用的方法。指数曲线法作为曲线拟合法的一种,一般不适用沉降量级小、数据相对波动大的高速铁路路基沉降预测。针对常规指数曲线法的缺陷,对其进行了改进,提出了拓展指数曲线模型,介绍其求解过程。结合武广铁路客运专线部分实测资料,运用双曲线模型和三点法分别进行了对比分析预测,研究结果表明:拓展指数曲线模型的预测结果相关系数高,误差较小,与实测数据基本吻合,可为今后类似条件下的路基沉降预测分析提供参考。     

考虑日期属性和天气因素的铁路城际短期客流预测方法

分析2014—2018年上海至南京的单向铁路客流数据发现,日期属性和天气因素会对铁路城际短期客流的波动产生显著影响。为此,结合对非线性时间序列数据处理具有优势的长短期记忆(LSTM)神经网络模型,以及可弥补模型中超参数设置主观性的粒子群优化(PSO)算法,将日期属性和天气因素纳入模型的影响因素体系,提出1种基于PSO-LSTM组合预测模型的铁路城际短期客流预测方法,以解决因短期客流波动性大、随机性强而产生的准确预测难度大等问题。利用2014—2018年上海至南京的单向铁路客流以及上海的天气信息,设置预测输入步长为14 d、输出步长为7 d,对模型进行实例验证。结果表明:与实际客流相比,该模型的最终预测平均误差为6.75%;与删除1个影响因素的PSO-LSTM组合预测模型,以及结合了BP神经网络的PSO-BP组合预测模型相比,该模型具有最优预测精度。     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。     

重载铁路轨道高低不平顺预测研究

轨道不平顺严重威胁铁路行车安全和设备的使用寿命。研究轨道高低不平顺的变化特点和劣化规律对重载铁路轨道维修管理有重要指导作用。基于灰色区间预测建模理论,研究重载铁路轨道高低不平顺变化特点和劣化规律,预测轨道高低不平顺未来的发展情况。为验证预测模型的有效性,采用神朔铁路上行10个高低超限病害高发单元区段的共17个月的历史轨道高低不平顺检测数据进行验证。结果表明:该模型拟合和预测效果良好,对神朔铁路轨道的养护维修管理有着重要意义。     

BP-Adaboost集成学习算法在地铁施工沉降预测中的应用研究

为解决传统地铁施工沉降预测模型中沉降不随时间有序线性变化的问题,文章基于 BP 神经网络结合 Adaboost 增强学习方法构建 BP-Adaboost 集成学习预测算法,并将其应用于某地铁基坑施工地表沉降预测。实践表明,应用 BP-Adaboost 集成学习算法预测地铁施工地表沉降,不仅能够满足相关规范限值要求,而且相较于 BP 神经网络算法、灰色GM(1,1)算法其与实测数据的拟合精度更高,能够更好地反应地铁施工地表沉降规律,可为地铁施工安全提供技术保障。     

基于序贯平差的沉降预测模型高效更新方法

沉降预测对于保证工程建筑物的正常使用寿命和安全性具有重要意义，而沉降预测模型更新又是其中的重要环节。针对沉降预测模型传统更新方法效率低、历史数据依赖性强的问题，用序贯平差取代传统最小二乘间接平差，得到一种新的模型更新方法。该方法能够大幅度减小数据的计算量与存储量，显著提升算法效率，并提高模型更新的可靠性。同时，配合该方法的特性，推导出新的相关系数递推算法用于模型评价。利用沪苏通长江公铁大桥的工程沉降数据进行算例验证，对比分析两种方法的更新过程与成果。结果表明：新方法正确高效，具备较好的实用价值，可广泛应用于铁路、公路、桥梁等工程中。     

基于改进型灰色理论模型的山区高速铁路路基沉降变形分析

线下工程工后沉降变形分析评估是高速铁路轨道工程铺设的必要条件和关键工序之一。以重庆至万州铁路为例,在有砟轨道铁路施工过程中,引入改进型灰色预测模型Np GM(1,1)和UQGM(1,1)进行沉降变形分析,相比于传统的预测方法,两种改进型的灰色预测模型在预报的稳定性和相关性上有显著提升。对于考虑到的9个测点,改进型灰色预测模型得到的相关性均大于0.97,明显优于传统模型(相关系数为0.8左右,个别站点超过0.9);改进型模型得到的S(t)/S(∞)均接近或者等于1,显著高于传统模型。结果适用于西南山区高速铁路沉降变形评估预报,可以为类似区域的铁路路基沉降预测提供参考。