基于EMD-PSO-ELM的基坑变形时变序列预测研究

变形是造成基坑事故的最主要因素,为准确分析变形特性,实现变形的精准动态预测,保证基坑的安全施工。提出一种将经验模态分解(EMD)、粒子群算法(PSO)和极限学习机(ELM)组合的深基坑多维度时变预测模型。经EMD将基坑变形时变序列进行分解,获得多尺度本征模态函数(IMF);采用PSO-ELM对各IMF时变序列进行预测,等权叠加各预测值,得到模型最终预测结果,同时利用PSO-ELM模型对未经处理的时变序列进行预测。以南宁市某深基坑为例,结果表明:经EMD分解的模型预测相对误差为0.22%0.42%,平均相对误差值仅为0.32%;未经EMD分解的模型预测相对误差为0.31%0.75%,平均相对误差值为0.64%,经EMD分解后模型预测精度明显高于未经分解的模型精度,能较好地应用于非平稳时变预测,为深基坑变形预测提供一种新的方法。     

基于 SSA-SVR 模型的城市轨道 交通短时进站客流预测

针对现有城市轨道交通短时客流量预测单一模型可能存在预测不稳定的问题,提出一种基于奇异谱分析 (singular spectrum analysis,SSA)和支持向量回归(SVR)相组合的预测模型。该组合模型利用奇异谱分析(SSA)将轨 道交通原始时间序列客流数据进行分解和重构,对重构后的时间序列按奇异值从大到小进行排序,得到含有原始 时间序列数据主要信息成分的重构序列,将重构后的时间序列作为支持向量回归模型(SVR)的输入条件,最后进 行各站点的短时进站客流预测。采集 2015 年 11 月北京市全网的城市轨道交通进站客流数据,对提出的短时客流 预测模型进行验证和对比分析。结果表明,组合模型预测精度相比 ARIMA、SVR、CNN-LSTM 和 T-GCN 模型具 有更高的预测精度和更稳定的预测表现,具有一定的实际意义。     

基于 VMD-GRU 的城市轨道交通短时客流预测

精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度, 基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合 模型预测方法,即 VMD-GRU 神经网络预测模型,由变分模态分解和门控循环单元组合而成。变分模态分解的 作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行 客流预测。经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好。与 GRU 相比,VMD-GRU 在 15、30 和 60 min 的时间粒度下,预测准确度分别提升 7.57%,16.93%,18.47%。该模型可为地铁运营管理部 门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统 的服务水平。     

盾构竖向姿态的组合预测模型研究

由于盾构施工过程中盾构姿态演化的复杂性,单一预测模型很难实现较为精准的预测,提出了一种基于BP神经网络和支持向量回归(Support Vector Regression,SVR)的盾构竖向姿态组合预测模型.首先,利用经验模态分解将盾构竖向姿态时间序列分解为有限个固有模态分量和剩余分量;其次,在分别建立不同分量的粒子群优化(Particle Swarm Optimization,PSO)的BP神经网络与SVR预测模型后,将其预测结果分别进行叠加;最后,采用最优加权法对两个模型赋权以得到最终预测结果.为验证所提出模型的实践适用性,将其应用至成都地铁8号线某盾构区间中,并与PSO-BP和PSO-SVR模型的预测结果进行对比.研究结果表明:所提出模型的泛化能力更强、准确性更高,可为盾构竖向姿态预测提供一定的借鉴和参考.     

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。     

基于混合方法的风速预测模型研究

为实现铁路沿线风速的高精度预报,建立若干基于混合方法的预测模型并进行性能比较。采用小波分解(WD)和经验模态分解(EMD)将原始风速序列平稳化,采用神经网络方法(BP, ANFIS和NAR)进行预测,形成6种混合模型:WD-BP,WD-ANFIS,WD-NAR,EMD-BP,EMD-ANFIS和EMD-NAR。引入基于单一方法的预测模型及时间序列模型ARIMA作为对照组,以平均绝对误差、平均绝对百分比误差、均方根误差比较各模型预测精度。研究结果表明:混合模型的预测性能优于单一模型;单一模型中,ARIMA的预测性能优于神经网络模型;混合模型中,WD-ANFIS的预测精度最高。     

基于协同降噪与IGWO-SVR的高填方路基沉降预测

高填方路基沉降影响山岭重丘区重载铁路运营安全。为克服实测沉降数据掺杂随机噪声、现有预测模型适用性差的不足,提出基于协同降噪算法与IGWO-SVR模型的沉降预测方法。运用互补集合经验模态分解法(CEEMD)与小波包变换法(WPT)对含噪沉降数据进行协同降噪处理;提出基于佳点集初始化均布、非线性收敛控制与自身历史最优记忆位置更新的改进灰狼优化(IGWO)算法,并结合支持向量回归模型(SVR),构建IGWO-SVR沉降预测模型。进一步地,利用大准铁路工点及现有文献研究成果,验证IGWO-SVR模型的优越性。结果表明：协同降噪法可有效消除原数据中噪声项的干扰波动;在小样本数据集上,IGWO-SVR模型较传统沉降预测模型与现有文献所述预测模型,具有更高的预测精度与稳定性。研究成果为重载铁路高填方路基沉降预测提供了新途径。     

基于CEEMD的无绝缘轨道电路调谐区故障特征提取

针对无绝缘轨道电路调谐区故障特征难以提取的问题,提出基于补充总体平均经验模态分解(CEEMD)的调谐区故障特征提取方法。采用四端网理论和传输线理论构建无绝缘轨道电路模型,仿真分析调谐区不同故障对轨道电路表面电压的影响;利用经验模态分解(EMD)、总体经验模态分解(EEMD)及CEEMD分别对电压信号进行分解,再提取故障特征向量。仿真结果表明:CEEMD方法抑制了EMD和EEMD引起的模态混叠和残留噪声现象,提高了运算效率,能够有效提取无绝缘轨道电路调谐区故障特征。     

基于Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于Verhulst-RBF的铁路客运量预测

为更准确地预测铁路客运量,采用灰色关联法,分析不同因素对铁路客运量的影响程度,确定主要影响因子,并将其作为预测指标,提出基于Verhulst-RBF神经网络的铁路客运量预测组合模型。基于四川省近14年的铁路客运量数据,进行组合模型测试。实验结果表明,Verhulst-RBF神经网络组合模型的预测精确度高于单一的Verhulst模型或单一的RBF神经网络模型。     

铁路客流总量预测方法研究

客流预测是铁路运输进行运力布局,产品调整的重要基础。预测的科学性、精确度将直接影响运输生产,因此努力提高客流预测的精度与可用性,是目前运输学科的一个热门研究领域。本文提出基于历史与预售的时间序列（HAP）预测方法对铁路客运中、短期客运总量进行预测分析,以预测铁路客流总量,控制预测误差。经过实际应用,验证了该方法的科学性和合理性。     

基于经验模式分解的钢轨波浪弯曲不平顺提取方法

钢轨波浪弯曲不平顺隐藏在轨道不平顺中。采用小波分析和经验模式分解相结合的方法,对钢轨波浪弯曲不平顺进行识别和提取分析。利用对称双正交小波对轨检车监测到的车体垂向加速度响应和高低轨道不平顺信号进行小波变换,滤除波长1 m以下成分后,基本可以保证用经验模式分解得到的第1个固有模态函数包含全部钢轨弯曲不平顺信息。对提取得到的钢轨波浪弯曲不平顺的分析表明,不同钢轨上存在的弯曲不平顺不同,钢轨存在的波浪弯曲不平顺是波长在3 m附近变化的准周期不平顺;钢轨波浪弯曲不平顺是引起车体颤振的原因。建议在提速线路和客运专线上应限制波浪弯曲钢轨上道。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

基于Markov链修正的铁路运量灰色组合预测模型研究

预测模型的准确与否直接决定着未来经济规划与决策的有效制定。将灰色GM(1,1)-Verhulst组合预测模型与马尔可夫链方法相结合,同时引入信息熵理论的知识,提出基于Markov链修正的熵权法灰色组合预测方法,并以甘肃省2004年～2015年铁路客运量作为原始数据序列进行模型拟合,而且还以此为基础对甘肃省未来几年内的客运量发展趋势进行预测。结论:(1)在已知实际客运量年份内,该灰色组合预测模型的预测精度比单一灰色预测模型更高、更加准确;(2)采用马尔可夫链方法获得该组合模型的偏差规律,并依照此规律对预测结果进行修正,即由一个单一的预测数值修正成为区间和概率组成的预测范围;(3)通过比较2016年～2017年的客运量实际值、组合预测模型的单一预测值和Markov链修正的预测区间值,发现Markov链修正的预测结果与客运量实际值的吻合性良好,进一步验证此预测方法的可信性。     

基于大数据技术的铁路客流预测系统架构研究

分析现有铁路客流预测理论研究和系统应用,针对预测过程中缺乏对不确定因素考虑的情况,提出预测系统中事件的概念,基于大数据技术构建事件处理平台和预测系统架构,该架构为铁路客流预测实时性和准确性的提升奠定基础。     

京沪高铁列车运行晚点预测方法研究

为快速、准确地掌握列车的运行状态及未来的运行趋势，需要对列车运行晚点预测方法进行深入研究。文章根据对北京—上海高速铁路（简称：京沪高铁）2020年列车运行数据的分析，包括停站时长对于晚点的影响及不同初始晚点时长下的传播车站数，提出了基于循环神经网络（RNN,Recurrent Neural Network）的全段预测方法，使用同步多对多模式的RNN模型作为基础模型结构，建立列车运行晚点预测模型。在特征值的选择上，采用集成梯度打分法，从多个特征值中选择12个最显著的变量作为模型自变量。采用该模型对京沪高铁2020年晚点数据进行验证，结果表明，该模型在验证集上5 min的误差范围内可以达到89%的准确率，该预测方法可以满足实际生产的需要，有助于调度部门进行科学决策，有利于提升铁路旅客服务质量。     

灰色理论在铁路客运量预测中的分析研究

针对传统灰色预测模型存在对历史数据依赖性强、容错性小及抗干扰能力差的局限性，将无偏灰色理论与残差验证理论引入预测模型，从趋势曲线灰色拟合与状态分类方式上对传统灰色模型进行改进，提出无偏灰色预测铁路客运量方法；同时，对铁路客运量预测方法从定性预测和定量预测两个方面进行阐述并对其优缺点进行分析。依据建立的无偏灰色预测铁路客运量模型，以1997—2016年铁路客运量为基础数据，对铁路“十三五”时期的数据进行预测，通过残差检验和结果分析，其预测精度明显高于BP神经网络预测。