基于变权组合模型的地铁车辆车轮踏面磨损预测

为准确获取地铁车辆车轮踏面随列车运行里程的磨损变化情况,选取灰色新陈代谢模型、二次指数平滑模型以及一元线性回归模型为单项预测模型,以样本点处组合预测误差绝对值最小为最优准则,建立了地铁车辆车轮踏面磨损变化趋势的最优非负变权组合预测模型。通过实例检验变权组合模型和各单项模型的预测性能,结果表明,构建的变权组合预测模型能够有效克服各单项预测模型的缺陷,预测精度及稳定性明显优于各单项预测模型,可为地铁车辆在实际运行过程中车轮踏面磨损趋势的准确预测提供了一种可行的求解方法。     

灰色变权组合模型的货车车轮踏面磨耗预测

为探讨变权组合模型在货运专线车轮踏面磨耗趋势预测中的应用,采用基于灰色新息GM(1,1)模型、灰色离散GM(1,1)模型和指数平滑模型为一体的变权组合方法研究货运专线车轮踏面随走行公里的磨耗趋势,并与各单项模型预测结果和定权组合预测结果作对比,研究结果表明:应用组合方法比单纯应用单项预测模型方法更合理,预测结果更可靠,且变权组合预测模型优于定权组合预测模型,预测精度较高。本文所提出的变权组合预测方法能够很好地预测货运专线上车轮踏面的磨耗趋势,是一种研究运输专线上车辆轮对维护决策的有效方法。     

基于OWGA算子的隧道变形最优组合预测

研究目的:根据隧道变形数据预测隧道的变形发展情况,结合具体工程实践,采用最新非线性预测理论,在文献综述的基础上,结合对数灰关联度与OWGA算子,把预测值和观测值的对数序列之间的灰关联度设定为目标函数,有序加权集成做为诱导变量值的预测精度,提出一种新最优隧道变形预测模型。采用MATLAB编程分别实现灰色预测、指数平滑预测、自回归移动平均预测,并利用基于对数灰关联度的有序加权几何平均组合预测模型,在对数灰关联度最大的意义下求出组合模型的最优权重,通过隧道变形预测的实例分析,说明新模型的有效性和合理性。研究结论:(1)基于OWGA算子的隧道变形预测,在预测误差平方和、均方误差、平均绝对误差、平均绝对百分比误差、均方百分比误差等预测有效性精度指标下,比灰色预测,平滑预测,ARMA预测等预测方法的预测精度都高,误差最小;(2)通过工程实例检验,该预测方法的预测结果不但合理、有效,而且是优性预测;(3)本研究成果可应用于隧道安全监测和变形预测领域。     

GM(1,1)-Logistic路基沉降组合预测模型研究与应用

路基沉降预测是指导正确施工及运营期路基养护的一个重要因素.GM(1,1)模型及Logistic模型被广泛应用于路基最终沉降量的预测.基于组合预测的基本理论,结合GM(1,1)模型及Logistic模型的特点,提出了GM(1,1)-Logistic组合路基沉降预测模型,采用线性组合预测方法,以过去一段时间内组合预测误差平方和最小为原则来求2个预测模型的加权系数.结合工程实际监测数据的计算结果和分析表明,GM(1,1)-Logistic组合预测模型在预测精度上比单个模型具有更好的适用性.     

隧道围岩变形预测模型的优化与应用

为了克服回归分析法在隧道施工监测数据分析中预测模型的不足,利用多目标加权灰色局势决策法对回归模型的多个评价指标进行整合量化,得到综合效果测度和优选回归预测模型。基于已优选的回归模型与模糊自适应变权重组合预测法建立最优非线性组合预测模型,将组合模型与优选模型进行效果测度对比,并基于该算法编制"智能监测—模型优化—信息反馈"系统。结合麻栗垭隧道工程,对组合模型和单项模型进行分析,预测拱顶沉降值。研究结果表明:以残差与后验差为评判标准,实时构建的最优组合预测模型的平均相对误差绝对值为4%,方差为6.5,后验差比值为0.34,小误差概率为1,更能对隧道施工过程围岩变形进行有效的预测和反馈。     

改进的货运量最优变权组合预测模型

提出一种改进的变权组合预测模型,实现货运量的短期和长期预测.该方法采用多元线性回归、二次指数平滑法、灰色模型、指数曲线外推方法分别对货运量进行预测,设计一个多项式的系数矩阵,建立组合预测模型.为了保证组合模型长期预测的稳定性,在进行长期预测时,在模型中增加了收敛条件.最后,通过引入松弛函数,避免求解方程时的病态,利用拉...     

灰色系统理论在地铁轮对踏面磨损预测中的应用

车轮作为车辆关键走行部件和易磨损部件之一,其磨损量直接关系到车轮的使用寿命。为准确获得车轮踏面随走行距离磨损量变化情况,本文采用灰色系统理论,建立车轮踏面磨损量灰色预测模型,在少量车轮踏面磨损数据的基础上,研究车轮随走行距离踏面磨损量的灰色预测方法。实例分析和仿真结果表明,灰色系统理论应用于车轮踏面磨损量的预测中是可行有效的。为车轮在实际行驶过程中踏面磨损的准确预测及使用寿命的判决提供了一种可行的求解方法。     

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。     

基于时间序列分析和神经网络的风电功率预测方法研究

功率预测对于接入大量风电的电力系统运行具有重要意义。文章对提前4 h的风电机组出力预测进行了研究,分别采用BP神经网络法直接预测输出功率,以及时间序列法间接预测输出功率,并将两种方法组合以提高预测精度,组合权系数的选取以方差最小为目标函数。研究结果表明,不同方法的预测精度不同,尤其是在个别预测点处不同模型的误差差别较大,组合预测可减小预测系统的误差,提高预测精度。     

基于无偏灰色组合动态模型的铁路客运量预测研究

针对目前铁路运输客运量预测在精度方面的不足，提出一种无偏灰色组合动态预测模型，应用于现有铁路客运量的预测。通过借鉴无偏GM(1,1)模型直接建模思想，对传统的灰色Verhulst模型作出改进，即对原始序列作倒数生成，运用新生成的倒数序列建立无偏灰色Verhulst模型，以消除传统的灰色Verhulst模型自身的一些偏差；为进一步提高模型的拟合精度及收敛速度，引入马尔科夫链方法对无偏灰色Verhulst模型的拟合结果进行修正，同时兼顾数据序列具有一定的时效性，构建出无偏灰色组合动态客运量预测模型。以我国兰青铁路某区段2010—2019年共10年的客运量数据作为原始数据，验证模型的可靠性与准确性，并与传统EDGM(1,1)模型、灰色Verhulst模型和无偏灰色Verhulst模型作对比，结果表明，本文模型在预测精度方面更凸显优势，能有效提高预测结果的准确性。     

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。     

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。     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型。结果表明：组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠。与单一模型相比,该法具有较好的实用价值。     

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.     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型.结果表明:组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠.与单一模型相比,该法具有较好的实用价值.     

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。     

基于组合误差优化模型的城市轨道交通短期客流预测研究

为提高城市轨道交通短期客流预测的准确性,构建了一种基于组合误差优化的短期客流预测模型。采用预测误差值对预测值进行优化校正,弱化传统SVM模型在实际预测中误差对预测结果的影响,以提高模型的预测精度。数据选取样本周期内郑州市地铁1号线每小时客流量组成的样本序列并进行了仿真验证。结果显示,经误差优化后的预测模型的预测精度有了明显提高,且优化后的预测值与误差预测值的趋势具有较高的一致性。     

灰色关联预测及其在变形预测中的应用

提出了多点关联预测的必要性,并且在GM(1,n)模型的基础上进行扩展得到了灰色关联预测模型.介绍了灰色关联预测模型的建模方法、参数求解、精度评估以及程序流程.在一个隧道地面沉降预测的工程实例中,分别用灰色关联预测模型以及单点灰色模型进行预测并且对结果进行了比较,发现在预测精度方面灰色关联预测模型较单点模型有了较大的提高.     

基于改进 BiLSTM 网络的地铁车轮磨耗预测模型

针对地铁车轮磨耗数据时间跨度较长引起的长期依赖问题,为了进一步提升预测精度,提出一种将麻雀搜索算法(sparrow search algorithm,SSA)优化双向长短期记忆网络(bidirectional long short term memory,BiLSTM)的改进 BiLSTM(SSA-BiLSTM)网络模型,用于地铁车轮磨耗预测。首先,利用麻雀搜索算法对双向长短期记忆网络算法的神经元个数、迭代次数、输入批量和学习率等超参数在给定范围内进行寻优,得到参数最优值;然后,以参数最优值来构建改进 BiLSTM 网络模型,对车轮磨耗进行预测分析;最后,以车轮踏面磨耗和轮缘磨耗作为研究对象,将某地铁 1 车厢 1 号车轮的现场实测历史磨耗数据作为输入,对该模型进行训练及验证分析,并与多层感知机(multilayer perceptron,MLP)、LSTM、BiLSTM 以及 SSA-LSTM 模型的预测结果进行对比。研究结果表明：SSA-Bi-LSTM 模型的车轮磨耗预测精度更高,与 LSTM、BiLSTM 以及 SSA-LSTM 网络模型相比,踏面磨耗的平均绝对百分误差(mean absolute percentage error,MAPE)分别降低了 13.28%、10.32%、1.47%,轮缘磨耗分别降低了 9.5%、0.46%、0.02%;分别对同一地铁 2 号、4 号车厢的 1 号位置车轮磨耗进行预测,并与磨耗实测数据进行对比,踏面磨耗的平均绝对百分比误差分别为 1.34%、1.42%,轮缘磨耗的平均绝对百分比误差分别为 0.18%、0.19%,验证了本文所提模型具有良好的泛化性,为地铁轮对智能化管理提供理论支持,延长车轮使用寿命。