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。     

铁路大风灾害预警系统设计与实现

为应对大风天气对铁路运输的影响,设计并实现了铁路大风灾害预警系统。系统基于B/S架构,针对铁路沿线风速监测点的数据状况,利用数据预测模块的移动平均法、单指数平滑法和三次指数平滑法对未来时段的风速进行预测,并进行综合评价预警,辅助调度人员进行调控决策,使列车能够根据限速建议及时做出运行调整。     

基于Grubbs-ARMA模型的钢轨胶接绝缘接头变化预测研究

为了提高钢轨胶接绝缘接头绝缘缝预测的精度,提出基于自回归移动平均(ARMA)模型的Grubbs-ARMA预测模型。该模型在ARMA模型基础上增加改进的预处理算法,保留原始数据的每一次波动规律,具体包括使用格拉布斯准则法对每个目标时刻附近的监测数据集合识别可疑值、剔除异常值和求均值,然后对得到的序列做平稳性分析,根据分析结果确定模型阶数,建立模型,利用京沈高铁沈阳段的闭塞区段某监测点采集的20组数据,分别构造Grubbs-ARMA模型和ARMA模型,根据前15组数据预测后5组数据。结果显示:Grubbs-ARMA预测模型的残差不仅均低于0. 15,且均低于ARMA预测模型的残差对应组别的残差。证实Grubbs-ARMA预测模型不仅适用于钢轨绝缘缝预测,且比ARMA预测模型有更高的预测精度。     

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。     

基于LMD-TCN的高铁沿线风速观测资料质量控制算法研究

大风是影响高铁安全运行的主要气象灾害之一,为保证高铁的运行安全,需监测高铁沿线风速观测资料.高铁沿线风速数据在采集和传输的过程中易受到各种干扰,导致风速观测资料中存在一些可疑值,故对其进行质量控制是解决此类问题的必要环节.提出一种融合局部均值分解法(Local Mean Decomposition,LMD)和时间卷积网...     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI，Track Quality Index）是反映高铁整体线路质量状态的重要指标，分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性，提出了一种多项特征数据的3D卷积神经网络模型，分析了TQI数据特征，抽取时间、空间、检测项数据并形成三维特征数据集，基于3D卷积神经网络算法，构建8层TQI预测模型，并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化，并利用某高铁线检测数据进行试验验证。结果表明，3D卷积神经网络模型可较好的预测高铁线路状态变化趋势，且对比于BP神经网络和2D卷积神经网络方法，平均绝对误差分别降低了41.48%、26.32%，均方差分别降低了65.42%、39.93%，证明了该方法的准确性与有效性，对于预测TQI与制定高铁线路养护维修计划具有实用价值。     

基于支持向量机的CRTS Ⅱ型板式无砟轨道板正温度梯度预警方法

无砟轨道板温度梯度是温度荷载作用在轨道结构上的重要表征,也是结构设计和养护维修的关键参数。针对轨道板温度梯度状态监测预警问题,基于运营线实测高铁轨道板数据样本,以气温、太阳辐射、风速等气象参数为特征输入参量,轨道板正温度梯度为输出参量,建立基于支持向量机的轨道板正温度梯度分类预警模型,给出模型关键性参数的选择方法;利用实测数据验证预警模型的有效性和准确性,并结合历史气象资料数据,采用所建立模型确定气象参数的预警阈值。研究结果表明:无砟轨道板正温度梯度预警模型识别准确率为98.648 6%,气温、太阳辐射量、风速的预警指标值为33.9℃,733W/m2和2 m/s且可靠性为96%,可为轨道结构的设计改进、病害预防以及养护维修提供方向性指导与建议。     

基于灰色预测模型的快递行业市场需求预测

随着高铁快递业务增长和市场竞争进一步加剧,高铁快递捎货模式的不足逐渐凸显。为创新高铁快递运输组织模式,提升高铁快递市场竞争力,有必要对快递行业市场需求进行预测。本文基于灰色预测模型对快递行业市场需求进行预测,采用灰色GM(1,1)模型计算了快递业务量,与ARIMA模型和指数平滑法预测得到的结果进行比较,并结合近几年全国快递业务量对2016至2020年快递运量做出了预测。结果表明,灰色GM(1,1)预测模型具有较高的预测精度,是一种非常实用的预测方法。     

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。     

高速铁路灾害监测系统大数据分析

基于高速铁路灾害监测系统的大数据分析研究，通过分布式文件系统存储、MapReduce/Spark计算框架、数据挖掘等技术，对高速铁路灾害监测系统的灾害规律分析、灾害预测、运用规则优化、监测点布设优化、设备选型、设备状态分析等进行研究。以大风规律和设备运行状态为例进行分析，结果表明，50%左右的大风集中在15～16 m/s之间，通过优化大风报警阈值，可有效降低大风报警次数；电源故障是灾害系统设备的主要故障，需对其进行重点监测和维护。该研究可解决目前灾害监测系统运用和维护中遇到的问题，为灾害监测数据综合分析与应用研究提供技术支持。     

高速铁路全域范围全要素时空信息组织模型设计研究

针对高速铁路工程结构的复杂性、专业协同的系统性、运营安全的高可靠性特征,从高速铁路时空信息安全保障方面出发,以唯一时空基准为主线,将不同时空信息进行关联,形成高速铁路全域范围、全要素时空信息的高效组织模型,实现高速铁路各专业、各领域海量时空信息的有效组织;利用地理信息系统(GIS,Geographic Information System)可视化技术、空间分析技术和大数据实时动态渲染技术,实现高速铁路不同时空信息及其组织关系的实时动态可视化展示,为高速铁路运营安全态势的自主预测及预警提供辅助决策及空间信息技术支撑。     

大风区段高速铁路正馈线防风技术探讨

根据已运营高速铁路的运营经验和常规采取的措施，结合兰新铁路和兰新铁路第二双线大风灾害频繁的特点和施工经验，对正馈线防风技术措施进行探讨，解决大风灾害造成正馈线故障，引起接触网停电，严重影响高速铁路安全运营的技术问题。     

高速铁路灾害监测系统风报警解除时限优化方法

基于高速铁路沿线风监测系统历史数据,在保证列车运行安全的前提下以增加列车运行效率和减少大风报警处置工作量为研究目标。考虑线路的繁忙程度和大风影响程度,建立高速铁路灾害监测系统风报警解除时限优化模型。选取3条典型线路进行实例分析,从线路、线路所属铁路局、季节方面对大风报警解除时限进行优化分析,得到最优报警解除时限值。研究结果可为高速铁路灾害监测系统风报警解除时限的运用优化提供参考。     

一种基于BP神经网络的铁路大宗货物运价风险预警判定方法

为获取较大的市场占有率和较好的利润增长水平,铁路货运公司需要实时掌握铁路货物运价在货运市场中的竞争力,综合考虑社会、企业自身和货主等因素,基于BP神经网络算法,进行铁路货运价格风险预警判定方法研究,并建立运价风险预警模型。以某铁路局集团有限公司大宗货物运输中的煤炭运输为例,选取2015-2017年相关数据,训练BP神经网络模型,得到铁路煤炭运价的风险预警结果。与实际数据对比,拟合程度较高,因此可使用该方法对当期的运价风险程度进行合理预测,同时也对相关铁路部门的运价政策制定与调整起到辅助决策作用。     

基于多智能体的运营高速铁路救援仿真研究

为实现规范、科学、准确、迅速的应急救援过程,基于多智能体救援技术对运营高速铁路重大事故灾后救援开展灾难重现式的救援研究。将多智能体救援理论和技术引入运营高速铁路重大事故灾后救援领域,基于多智能体救援仿真平台,构建用于高铁运营过程重大事故救援的灾难空间仿真模型;剖析高铁应急救援过程中同类智能体间和异类智能体间协作救援模式;以假设的高铁车站突发灾难和高铁线路发生的重大事故为例进行灾后救援案例分析,提出具体建议和措施,进一步论证高铁救援仿真的高效性和科学性。研究表明:运营高速铁路多智能体救援仿真可以重现救援进度及预测灾难发展方向,为现实灾难发生后救援任务策略的优化提供参考。运营高速铁路多智能体救援仿真可以实时展现灾难蔓延情况、救援过程等细节,为今后智能高铁救援领域的发展提供了一个方向。     

山体裂缝计的研究及其在铁路地质灾害监测预警系统中的应用

为了避免地质灾害引起铁路行车事故,建立有效的铁路地质灾害监测预警系统,设计了一种山体裂缝计。通过监测山体裂缝变化,进行数据自动采集,实现当山体裂缝变化率超过警戒值时发出报警信号。该山体裂缝计在西南地区铁路地质灾害监测预警项目中得到了实际应用,取得了一定的效果,实现了自动跟踪灾害发展趋势,提前预防和减少重大事故的发生,保障行车安全,并且为铁路外的地质灾害监测提供重要的关键参数和理论支持。     

基于运营性能的高速铁路大跨度桥梁健康管理探讨

面向我国高速铁路大跨度桥梁结构特点和管养现状,研究提出基于运营性能的高速铁路大跨桥梁健康管理总体思路。通过高速轨检车轨道几何周期巡检结果和有砟道床捣固指数,建立基于灰度理论的捣固指数预测模型,为桥区有砟轨道线路养修提供依据。基于健康监测数据,分别引入ARMA模型、神经网络法及三分之一倍频程谱方法对桥梁结构整体状态实时预警。提出梁端伸缩装置和大吨位支座桥梁关键部位专项监测技术,构建了基于钢轨横向偏移量和伸缩装置疲劳应力变幅的梁端伸缩装置评定方法,以及基于累积位移的支座耐久性预测与评估方法。研发了基于BIM的大跨度桥梁故障预测与健康管理系统,提出了桥梁状态分层分级评估方法,融合多源数据进行历史趋势分析、故障诊断与预测,为实现高速铁路大跨度桥梁健康管理奠定了基础。