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。     

灰色神经网络在混凝土结构徐变预测中的应用

根据灰色系统理论处理贫信息系统的优势,以及神经网络学习和自适应的优点,将灰色神经网络组合算法应用于混凝土结构的徐变预测中.利用GM(1,1)模型和BP人工神经网络,建立灰色新陈代谢短期组合预测模型和长期组合预测模型.该组合模型既克服了原始数据少,数据波动性大对预测精度的影响,也增强了预测的自适应性.通过自密实预应力混凝土梁长期变形试验结果的算例分析,表明短期和长期组合模型的预测结果均与试验结果吻合良好,该模型可以作为混凝土结构徐变预测的有效工具.     

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。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

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...     

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SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。     

基于LSTM的高铁大风预测模型及算法研究

通过对风速数据进行时间序列分析,建立风速预测模型,实现大风灾害的预警,对提升高铁运营安全保障能力具有重要意义。通过分析某高铁客运专线防灾系统的历史风速数据,建立了一种基于LSTM神经网络的大风预测模型,使用TensorFlow平台进行模型参数训练,并结合实际监测数据进行了模型验证。结果表明,该方法预测未来20 min的大风效果较好,预测20～30 m/s大风时的平均误差为13.4%。该研究可为高铁大风预警技术的应用提供参考。     

基于神经网络的铁路路基工程地质灾害危险性预测评价

论述径向基函数神经网络(RBF)和广义回归神经网络(GR)结构,通过人工神经网络建立铁路路基工程地质灾害危险性评价模型。结合工程实际,对工程项目报告中的45组含有路基工程引发或加剧地质灾害危险性预测评价单元进行分析量化。RBF和GR模型预测评价后的输出结果与实际调查结果对比表明,RBF和GR模型对3种危险等级的预测评价单元有较好的预测结果,用于地质灾害评估工作具有较好的参考价值。     

基于IPSO-Capsule-NN模型的中欧班列出口需求量预测

为提高中欧班列出口需求量的预测精度,提出将改进粒子群算法(IPSO)与胶囊神经网络(Capsule-NN)相结合的预测模型(IPSO-Capsule-NN)。与全连接神经网络不同,胶囊神经网络通过动态路由算法增强了模型的拟合能力和泛化能力。利用改进粒子群算法优化胶囊神经网络的神经元数量、迭代次数以及学习率,以克服人为设定模型参数随机性较大导致模型精确度不高的不足之处。此外,针对标准粒子群算法存在的缺点,提出一种非线性递减惯性权重并引入Levy飞行对粒子群算法的全局寻优能力和收敛速度进行优化。将采用spearman秩相关性分析得到的11个因素作为中欧班列出口需求量的影响因素并对其进行预测,结果表明:胶囊神经网络具有2层隐含层时,IPSO-Capsule-NN模型预测精度更高。     

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。     

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。     

基于深度学习的城市轨道交通短时客流起讫点预测

提出了一种基于门控循环单元(GRU)神经网络的城市轨道交通短时客流OD(起讫点)预估模型。以实际数据为例,引入同期天气数据,对工作日的数据进行训练预测,并与长短期记忆(LSTM)神经网络模型进行对比。预测结果表明:相对于LSTM模型,GRU模型不仅模型简单、收敛速度明显较快,而且在预估误差和预测稳定性等方面也略优,更适于短时客流OD的快速预测。     

基于RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.     

电气化铁路牵引负荷预测研究北大核心

为保证牵引供电系统电能质量并减少牵引变电所购电成本,文章提出了一种基于稀疏高斯过程(sparse Gaussian process,SGP)的牵引负荷概率预测模型。该模型首先构建以牵引负荷历史特征和时间信息为基础的输入特征向量;然后建立输入特征到牵引负荷之间的映射关系,并用SGP来拟合该映射关系;最后使用滚动预测的形式来实现对牵引负荷的预测。在朔黄铁路某牵引变电所实际运行数据上进行的对比试验验证了所提方法的优越性,其中,点预测可以得到误差在7%左右的预测值,概率预测可以得到不同置信度下可靠的预测区间。     

基于人工神经网络的大直径盾构隧道施工地层变形预测分析

为了预测盾构施工引起的地表沉降规律,以京张高铁清华园大直径泥水盾构隧道工程为背景,结合盾构试验段隧道掘进过程中地层变形的监测数据,建立基于时间序列的NARNN(不含外部输入)和NARXNN(含外部输入)非线性自回归神经网络预测模型,对重要监测断面测点的隧道掘进过程中地表沉降发展趋势进行预测分析,并与传统时间序列ARMA模型预测结果进行对比,发现NARNN模型、NARXN模型、NARMA模型的预测结果与现场监测数据都比较吻合,而NARNN和NARXN非线性自回归神经网络预测模型精度明显高于传统时间序列ARMA模型,而考虑外部输入的NARXNN模型又比不考虑外部输入的NARNN精度高。因此,在考虑施工方法、地质条件和空间效应(埋深)等外部因素条件下建立的NARXNN模型具有良好的预测效果,能够较好地模拟盾构施工引起的地表沉降规律。     

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...     

地铁闸机扇门机构故障时间序列预测研究

基于CNN+ LSTM混合神经网络构建故障时间序列预测模型，利用某型号地铁闸机扇门机构的故障数据进行实例分析，并与ARIMA、CNN和LSTM 3种单一预测模型对比。结果表明:CNN+LSTM混合神经网络模型的预测准确性较高，具有良好应用前景，研究成果可用于支持地铁闸机维修计划的制定和优化。