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。     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

基于RBF神经网络的铁路货运量预测

对铁路货运量发展趋势进行预测是正确制定铁路货运营销战略的前提和基础,运用RBF神经网络法对铁路货运量进行了预测.     

基于灰色和神经网络的铁路客运量预测研究

准确的客流量预测在国家交通规划与管理中具有重要意义,预测方法的选择直接影响到预测的精度。客运量的预测具有小样本和非线性的特点。结合灰色理论和RBF神经网络的特点形成灰色-RBF神经网络模型,并采用客流运量分担率的方式对拟建铁路客流量进行预测。通过灰色理论对原始数据进行生成处理,将无规律的原始数据变为较有规律的生成数列,再利用RBF神经网络的超强适应能力和学习能力,大大加快学习速度并避免出现局部极小问题对生成数列进行预测,再将模型运用到客运量的预测中。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,得出灰色-RBF神经网络模型对客流量具有很好的预测性。     

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。     

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。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

青藏铁路格拉段沿线风速短时预测方法

青藏铁路大风监测预警系统采用时间序列法实现沿线风速的短时预测.利用时间序列法对经过1min平均化处理后的非平稳实测风速序列建立ARIMA(11,1,0)模型,进行超前3步预测计算,获取第3 min平均预测风速,预测平均绝对误差为2.237 2 m·s-1.针对时间序列法第3 min平均预测风速精度低的问题,采用提出的滚动式时间序列法修正时间序列法预测计算步骤,重新获取第3 min平均预测风速,预测平均绝对误差减小为1.1670 m·s-1.使用最小二乘法拟合样本每分钟内最大实测风速和该分钟平均风速的相关系数K,通过K为1.142 8修正滚动式时间序列法第3 min平均预测风速,获取滚动时间序列法第3 min最大预测风速,预测平均绝对误差为2.090 4 m·s-1.滚动式时间序列法第3 min平均风速、最大风速的两者预测均满足精度要求.滚动式时间序列法已经在系统中使用.     

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。     

基于神经网络的感应电动机特性辨识新方法

提出并论证了一种基于神经网络的感应电动机特性辨识新方法,只需测得电机两相电流数值便可以辨识出电动机转矩和转速,用改进的Levenberg-Marquardt算法对神经网络进行学习和训练,构建了适合电动机转矩转速观测的BP神经网络。由于RBF神经网络无论是在逼近能力、函数拟合和学习速度方面都优于BP网络,也利用RBF网络进行了辨识。该方法较已经提出的方法相比,需要的检测量少,辨识方法简单。仿真研究表明,RBF神经网络辨识效果优于BP神经网络。     

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...     

基于PCA-改进RBF神经网络模型的铁路隧道突水风险评价

为了准确预测铁路隧道突水风险等级,降低隧道施工过程中的突水灾害风险,结合相关规范,在调研分析影响隧道突水灾害的风险因素集的基础上遴选13个因素构建评价指标体系。利用主成分分析法对突水风险评价指标提取主成分并实现降维,模糊C-均值聚类算法计算RBF神经网络的中心,梯度下降法修正权值和方差,并将分析后得到的主成分作为改进RBF神经网络评价模型输入向量,建立了基于PCA-改进RBF神经网络铁路隧道突水风险评价模型。最后结合天秀山隧道对该模型预测效果进行验证,评价结果与实际情况相符。实例研究表明:该模型合理可操作,相比于其他方法准确率更高、训练更快、均方误差更小,为类似铁路隧道预防突水灾害事故提供了一种新的途径和借鉴。     

基于Logistic回归的无砟轨道层间位移预警研究

无砟轨道层间位移是运营期间荷载作用下轨道板与砂浆层产生的离缝宽度,也是影响行车安全与养护维修的关键参数。针对层间位移状态的预警问题,以华东地区某线路无砟轨道为研究对象,基于现场实测数据,以环境温度、太阳辐射、风速、日温差、前4小时太阳辐射量均值、前6小时环境温度均值等气象参数为输入,无砟轨道层间位移值为输出,建立基于Logistic回归的无砟轨道层间位移分类预警模型,利用实测数据进行模型验证并与传统的BP神经网络模型和决策数模型作对比。研究结果表明:无砟轨道层间位移预警模型的准确率为95.21%,预测结果优于BP神经网络94.33%和决策数模型95.07%,为无砟轨道结构的病害预警与养护维修提供指导和建议。     

大跨度PC斜拉桥结构快速分析神经网络模型

为进行大跨度PC斜拉桥、悬索桥等复杂结构的优化设计、可靠性分析或模型修正,提出基于神经网络的结构快速分析方法。通过对比分析不同样本集构造方法对结构分析精度与效率的影响,认为均匀试验设计法是构造网络训练样本的最优方法。基于Matlab工具箱函数newrb建立招宝山大桥平面分析的径向基函数网络模型,该模型含45个输入层节点和2个输出层节点。根据均匀试验设计法生成180个训练样本,利用有限元分析软件ANSYS进行参数化批量分析,得到样本的模拟试验结果,采用OLS法对径向基函数网络进行训练,用训练好的网络预测结构响应。结果表明:该神经网络模型满足结构快速分析的精度要求,与有限元分析结果吻合良好。     

RBF神经网络在铁路客运成本预测中的应用

铁路运输客运成本指的是铁路运输企业为了完成客运运输作业在运输过程中所耗费的一切费用的支出,包括运输生产过程中生产资料的消耗和劳动力的消耗。合理地控制铁路运输成本可以有效地提高铁路运输企业的管理水平、经营状况等。可见,选取符合具有铁路成本特点的预测方法准确地对运输成本进行预测具有重要的意义。通过对铁路客运成本的影响因素进行分析,选取主要影响因素并结合RBF神经网络超强的学习能力和适应能力建立铁路客运成本预测模型进行预测。最后,通过案例分析得到RBF神经网络对客运量成本具有很好的预测性。