支持向量机在货运量预测中的应用研究

在分析现有货运量预测方法所存在问题的基础上,建立了货运量预测的支持向量机模型,并以我国1981～2001年的货运量和相关经济指标的历史统计数据作为学习样本,分别选用3种不同的核函数,通过拟合训练和外推预测分析,验证了支持向量机用于货运量预测的有效性,并对模型中的有关参数进行了探讨分析。     

基于支持向量回归的地铁受电弓滑板磨耗趋势预测模型研究

针对列车供电系统中重要组成部分之一的受电弓滑板磨耗问题，设计了一款预测模型对地铁受电弓滑板磨耗趋势进行有效的拟合和预测，弥补了现有的检测系统只能对受电弓进行实时检测的不足。利用线性支持向量回归（SVR-Linear）、最小二乘支持向量回归（LSSVR）和优化后的最小二乘支持向量回归（MI-LSSVR）对检测系统得到的受电弓滑板数据进行训练和拟合，并利用训练后的模型实现滑板磨耗的预测，其中，MI-LSSVR的拟合精度最高，达到97.3%。此外，利用地铁行走的里程数据进行预测，提前得到下一次运行后的滑板厚度，在滑板即将磨耗到限时进行预测，可得到滑板还能承受的运行里程，减少受电弓检修人员的工作量，提高受电弓的使用效率。     

基于Weibull分布和SVR的城轨列车自动进站停车精度预测方法

通过分析城轨列车自动停车精度分布变化,研究停车精度预测问题,提出一种基于支持向量回归的列车自动进站停车精度预测方法。对停车精度数据进行分期预处理,进而采用Weibull分布拟合各期数据,由此得到两个分布参数的时间序列,通过支持向量回归算法对参数序列构建预测模型,实现对进站停车精度分布预测。采用北京地铁某条线一列车的自动进站停车数据对提出的模型进行仿真验证,结果表明预测分布与真实分布相似性均值可达0.953 3,验证了提出的预测方法的有效性,为城轨列车自动进站停车精度变化提供了一种科学、高效的预测方法。     

考虑峰值数据重平衡的地铁客流预测研究

地铁客流预测是城市轨道交通系统日常运营管理的基础,尤其是对突发大客流影响时的准确客流预测,能够有助于缓解城市地铁运营压力并降低安全风险。虽然目前的地铁客流预测方法在对日常客流预测准确性上有较好的表现,然而由于忽视了客流波动造成的客流峰值和谷值数据量不平衡,其对客流的峰值预测效果并不佳。为了进一步提高客流预测精度,考虑从峰值数据自身特征出发,通过聚类模型判断客流类别并验证不同客流类别间显著的不平衡问题,参照分类任务中类别不平衡问题的处理方式,通过欠采样、随机过采样和合成少数类过采样3种数据平衡方式,实现客流平衡处理。同时,采用支持向量回归、人工神经网络和长短时记忆神经网络3种预测模型,进行客流预测并对比不同数据平衡方式对模型性能的影响。研究结果表明：相比于未对训练集进行数据平衡处理,类别平衡在一定程度上提升了模型的预测精度;基于合成少数类过采样技术平衡数据的支持向量回归模型可以提供最佳的进站客流预测精度;基于随机过采样技术平衡数据的长短时记忆神经网络模型可以提供最佳的出站客流预测精度。研究结果可为客流波动较大情况下的城市轨道客流精准预测提供理论依据。     

基于支持向量机的地铁客流量预测

地铁客流量是城市地铁交通运营组织的重要依据,客流随机性较大及其影响因素较多,因此加大了客流预测的难度。为了更加准确地预测城市地铁交通中的客流量,及时对客流组织方案进行调整,设计了一种基于非线性支持向量回归机的地铁客流量预测方法。该方法通过分析已采集数据的影响因素,确定对客流量影响较大的支持向量,然后构建预测模型进行预测。该模型可以通过调整影响因素的强度来提高预测精度。最后,通过算例验证：该方法可以有效地改善预测误差,适用于短期和不确定环境的地铁客流预测。     

基于网格搜索支持向量机的边坡稳定性系数预测

边坡稳定性分析是岩土工程的一个常见问题,影响参数较多。首先将影响边坡稳定性的样本集合建立支持向量机(Support Vector Machine,SVM)回归模型,而后使用网格搜索法(Grid-search)优化支持向量机的参数,并将优化过参数的支持向量机回归模型与贝叶斯岭回归模型、普通线性回归模型、梯度增强回归模型的预测结果进行对比。研究结果表明:优化后的SVM回归模型预测方法在边坡安全系数预测方法中更为精准稳定,具有一定的实际应用价值。     

基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

基于小波分析的最小二乘支持向量机轨道交通客流预测方法

针对城市轨道交通客流预测问题,采用离散一维Daub4,小波分析方法对某一时间段的原始客流时间序列数据进行分解;以分解得到的高频分量和低频分量为样本数据,对最小二乘支持向量机进行训练,确定最小二乘支持向量机的核参数σ,以及系数a和b.利用训练后的最小二乘支持向量机预测未来一段时间客流时间序列数据的高频分量和低频分最,然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重构,从而得到预测的未来一段时间客流时间序列数据.与历史平均预测法和灰色预测法进行比较,结果表明,基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度.     

城市轨道交通车站高峰客流偏差研究

城市轨道交通车站设计时,大多数城市采用预测的城市高峰小时客流作为设计客流。但由于城市轨道交通车站客流的高峰出现时段与城市高峰小时不完全一致,导致某些车站设计客流偏小。为研究城市高峰小时客流与车站高峰小时客流的差异,通过引入车站高峰客流偏差系数,合理确定车站设计客流。以西安市地铁为例,运用最小二乘支持向量机建立预测车站高峰客流偏差系数的模型,得出训练集拟合优度为0.71,测试集预测平均相对误差为2.41%,模型拟合效果良好,表明最小二乘支持向量机能够很好地预测车站高峰客流偏差系数。     

城市轨道交通短时客流不确定性预测模型

以城市轨道交通实际运营客流数据为基础,针对现有短时客流预测存在的问题,从运营时段特征、客流类型及站点周边用地类型等影响因素出发,剖析了短时客流存在不确定性的原因;基于周期性差分自动平滑回归模型和支持向量机理论,构建了短时客流预测组合模型,捕捉短时客流的周期性特征和局部非线性性特征;为提高短时客流预测结果的可信度,引入广义自回归条件异方差模型来构建短时客流不确定性预测模型。通过实例,验证结果表明,周期性差分自动平滑回归-在线支持向量机组合模型对于周期性强且稳定的客流具有优越的预测性能,广义自回归条件异方差模型的短期客流不确定性预测结果更为准确可靠。     

基于改进GM(1,1)与WOA-LSSVM组合预测模型的轨道不平顺预测

在保障列车行车安全的前提下对轨道不平顺的发展趋势进行预测,可以提高线路维护效率。根据轨检车的历史轨检TQI数值进行分析,提出一种基于非等时距近似非齐次的GM(1,1)模型与鲸鱼算法优化的最小二乘支持向量机的组合预测模型。对非等时距GM(1,1)模型的灰作用量进行优化,并设置加权矩阵,对不同检测时间的数据赋予不同权值,建立非等时距近似非齐次的GM(1,1)模型,得到初步预测值。在此基础上,利用鲸鱼算法优化的最小二乘支持向量机(WOA-LSSVM)对残差进行修正,得到最终预测值。分别对某线上行两段线路的轨道不平顺TQI值进行预测,结果表明:该预测方法相对误差平均值分别为2. 316%和1. 67%,后验差分别为0. 093和0. 068,精度等级达到1级,实现了轨道不平顺较高精度的预测。     

基于BPNN-TD算法的城市轨道交通线网规模预测方法

科学预测城市轨道交通线网规模,对于轨道线网的规划建设与城市布局发展具有重要意义.基于轨道交通线网规模及其影响指标数据,综合两种模型优势,对城市轨道交通线网规模进行有效预测.首先,从政策、经济、城市规模、出行需求4个方面,简要分析城市轨道交通线网规模的影响因素,并利用相关性分析法,提取GDP、第三产业值、人口规模、建设用...     

基于机器学习的地铁盾构隧道长期沉降预测

采用机器学习方法,建立一个基于先期区域地质信息及隧道沉降学习资料的盾构隧道长期沉降预测模型, 并以南京地铁 2 号线盾构隧道为例进行算例分析。结果表明：该沉降预测模型能够筛选主要影响因素,并且能够 寻找最佳监督学习算法和最优参数;在不同监督学习算法中,核支持向量机算法与人工神经网络算法都能使模型 达到较高的精度,然而对其参数的依赖性很高,需要细致的调参才能提高预测精度;以人工神经网络算法作为监 督学习算法,经调参后,沉降预测模型的最终预测准确度可达 0.86,10 倍交叉验证平均准确度为 0.82。     

基于支持向量回归的大型客运站客流量预测应用研究

准确预测大型客运站发送客流量,是铁路依据旅客出行需求制订开行方案、编制运行图和完成客流输送任务的重要基础.简要介绍支持向量回归的概念和原理;以汉口车站2017年1月—12月日实际发送客流量作为样本数据集,分析大型铁路客运车站客流特点,即年度客流呈现明显周期波动性、长周期内因多次节假日出现客流大幅激增;将样本数据集分为训...     

基于机器学习的地铁轨道几何劣化规律个性化建模研究

较高的轨道平顺性是保障地铁列车安全舒适运行的基础,准确掌握地铁轨道的劣化规律对保障轨道质量具有重要意义。根据地铁线路特点,选择影响地铁轨道质量劣化的7类异质性因素,给出赋值模型,并基于机器学习方法建立轨道质量指数(track quality index,TQI)短时预测前馈神经网络模型。为了验证模型,采集了北京地铁1号线的线路设备数据及2016年8月15日至2019年2月18日间的17次TQI检测数据,形成训练数据集和测试数据集,并采取深度学习技术,利用训练数据集对该模型进行训练。基于测试数据集的模型预测值的可决系数为0.938,平均绝对百分比误差为4.80%,结果表明该模型是有效的且具有较高的预测精度。     

去噪分析和分离变形预测在深埋隧道中的应用研究

隧道变形易诱发相应的工程问题,对其防治及预测已成为地下工程领域的热点问题。为提高隧道变形的预测精度,达到有效掌握隧道变形规律的目的,以某隧道为工程实例,通过对其监测数据的去噪处理,将隧道变形的原始序列分离为趋势项和误差项序列,并利用GA-BP神经网络和时间序列模型对两序列进行预测,又结合支持向量机模型对前者的预测误差进行修正,以保证预测精度。结果表明:在去噪方面,得出半参数优化卡尔曼滤波的去噪效果最优,其次是sym8小波去噪和奇异谱分析;在预测方面,得出分离预测能一定程度上提高预测精度,但效果不明显,而误差修正模型能很大程度上提高预测精度,综合得到本文预测结果的平均相对误差为1.08%。预测模型具有精度较高等优点,能为深埋隧道的变形预测提供借鉴。     

基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现

为更好地进行铁路机务设备工作状态管理,降低维修成本,设计并实现了基于设备健康管理(EHM,Equipment Health Management)理念的铁路机务设备大数据健康管理系统。该系统通过层次分析法、自回归(AR,Autoregressive)模型、支持向量机(SVM,Support Vector Machine)模型,实现了铁路机务设备运行状态实时监测、健康趋势预测分析(准确率到达96.2%)、故障预测分析(准确率到达99.08%)、风险评估预警等功能。系统的运用有效的降低铁路机务设备维修成本,为铁路机务设备的信息化健康管理起到示范作用。     

基于BP神经网络的动车组智能化控制和诊断研究

为解决因采集数据异常导致的列车控制的误动作和误诊断问题,对基于BP神经网络的动车组智能化控制和诊断方法进行了研究,建立了基于BP神经网络的预测模型,采用列车实际运行数据进行多次训练和参数调整,获取最优网络模型,结合该模型的预测值和实际值得到最终可信值,并融入到现有列车控制逻辑中进行控制和诊断。通过实验验证,采用训练模型的预测结果与实际采集值相比具有较高准确性,能够达到预测效果。实验结果表明,采用BP神经网络模型进行状态预测,并结合相关处理策略进行列车运行控制及故障诊断具有可行性。