高速铁路工务安全指数体系研究

工务安全是高铁安全重要一环,构建综合性的评价指数科学地评估我国高铁工务安全的总体状况,可为高铁安全相关工作提供理论基础.在梳理工务设备安全现状的基础上,从覆盖范围、具体指标、参数确定、测算方法等方面,研究提出构建工务安全指数体系的方法.并利用构建的工务安全指数体系,对典型高铁线路的工务安全状况进行了评估分析.     

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...     

面向高速铁路货运站选址的深度学习模型研究

近年来急剧增长的快递量催生了高速铁路快运模式,高速铁路建设的持续推进为高速铁路快运体系的完善创造了新的发展契机。在规划过程中,高速铁路货运站的选址与特征之间存在复杂的异质性和非线性关系,因此本研究开发了一种基于深度学习的高速铁路货运站选址方法,该方法旨在根据现有的高速铁路快运物流基地建设项目挖掘出高速铁路货运站潜在的选址规律。研究初步构造市场需求、区位交通、发展环境3个维度的选址条件及其下属的10个指标,基于基础特征与深度学习算法构建选址模型,利用遗传算法优化超参数,同时根据各特征的重要度依次对模型进行测试以此确定出最佳的特征体系和模型学习层。实验结果表明,车站节点覆盖率、动车所预留情况、城市快递业务量、公路交通可达性和周边机场数目构成的特征子集在以LSTM和Dense堆叠的深度学习模型中表现出了最佳的选址效果,其F1分数达到0.944 4,相比优化前有了较大幅度的提高。进一步以浙江省为例进行实证分析,选址结果也证实了研究所建立的深模型较好地学习了实际高速铁路货运站选址规律,可以帮助更加科学化、结构化的高速铁路货运站选址决策。     

基于深度学习的司机疲劳驾驶检测方法研究

针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题,提出一种基于MTCNN-PFLD-LSTM深度学习模型的疲劳驾驶检测算法.通过多任务卷积神经网络MTCNN进行人脸区域检测;利用PFLD模型检测人脸眼部、嘴部和头部的关键点及空间姿态角;计算出基于时间序列的人脸疲劳特征参数矩阵并输入长...     

中国高速铁路电务安全指数指标体系构建

电务安全是影响高铁安全的重要因素之一,是一个多目标、多体系、多内容的复杂综合问题,有必要构建综合性的评价指数,用于直观、简便、科学地评估我国高铁电务安全的总体状况,为高铁安全相关战略的实施提供理论基础.总结并梳理电务安全指数的定义和内涵,提出构建电务安全指数评估的指标体系,包括覆盖范围、具体指标、参数确定、测算方法等....     

基于深度学习的轨道不平顺与车体垂向加速度映射模型

高速列车在长期服役条件下,其车辆悬挂系统等参数与设计值差异较大。多体动力学仿真模型难以模拟真实运营环境,且计算效率较低。为更加准确、快速地评价各种轨道结构以及不平顺激励下车体的垂向振动响应,根据实测轨道不平顺与车体垂向加速度的时空数据传递特征,建立一种卷积长短期记忆组合模型,该模型将轨道不平顺与列车运行速度作为输入,实现对车体垂向加速度的预测。结果表明,卷积长短期记忆模型预测的平均绝对百分比误差值为5.64%,相比动力学仿真模型减少3.57%。在预测一段3 km长线路的垂向车体加速度时,动力学仿真模型需要花费约53 s,而卷积长短期记忆网络只需要花费约1.6 s,预测效率提升33倍。     

推进安全风险管理强化工务基础建设实现工务工作科学发展——在全路工务工作会议上的讲话(摘要)

2013年工务工作的主要目标是深入推进安全风险管理,促进工务安全管理规范化和科学化;努力做好高铁安全和运营维护管理的各项工作;以贯彻《铁路营业线施工安全管理办法》为契机,推进维修综合配套改革;毫不懈怠,科学防范,夺取防洪工作新胜利;加强桥路管理工作,保持桥路设备状态均衡良好;加强工务机械化专业管理,确保机械设备运用安全;统筹兼顾,认真抓好日常各项重点工作,为全路的运输生产和铁路的发展作出新的贡献!     

基于残差增强门控循环神经网络的交通流量预测技术研究

随着近年来智慧城市轨道交通的快速发展和普遍应用,交通流量预测成为智慧城市轨道交通的关键性问题,对及时掌握交通状况、进行合理的资源配置和人力部署起着重要作用。文章以实现大规模交通网络的交通流量准确预测为目标,研究并设计一种基于残差增强门控循环单元的深度学习网络模型。在基本门控循环单元的基础上,引入残差连接思想,通过在门控循环单元的迭代回路之间增加线性连接,捕获数据中的长期时间依赖关系,同时克服循环神经网络在进行长期时间序列预测中的梯度消失或梯度爆炸问题。使用4个在真实交通网络中采集的大规模交通数据集对所提算法进行测试,分别从定量和定性的角度比较并验证所提算法的有效性。实验结果表明该算法能够使用前1h的历史数据、对大规模交通网络中各交通枢纽节点未来1h的交通状况进行较准确的交通流量预测,证明使用残差增强门控循环网络进行交通流量智能预测的可行性和准确性,为城市轨道交通智能运营管理的实现提供有力支撑。     

基于铁路数据服务平台的高速铁路工务设备大数据应用研究

高效管理高速铁路工务设备数据对提高运营安全水平具有重要作用。介绍高速铁路工务设备数据的管理现状,对建立工务设备大数据应用进行需求分析,提出基于数据服务平台的工务设备大数据总体框架及相关功能。以京沪高速铁路工务专业为例,搭建京沪高速铁路数据资产汇集平台,并开展大数据应用。结果表明,基于该平台开展大数据应用能够科学合理地指导工务设备维修管理和提供战略决策。     

基于状态影响因子的高速铁路电务安全指数优化

为提升高速铁路电务安全保障能力,解决原有电务安全指数单一、只能静态反映高速铁路电务安全态势及电务运营安全复杂的连续动态表征评价等问题,采用随机过程理论,选取高速铁路电务设备正常、故障和事故3种状态相关的基本时间域、状态转移概率和状态持续系数作为电务安全指数的影响因子,并基于马尔科夫状态转移和Logistic函数分析的方法对其进行特征量提取,构建高速铁路电务安全指数优化模型;选取某典型线路和某典型路局电务6大类型设备的故障和事故基础数据,验证高速铁路电务安全指数优化效果。结果表明：由优化模型计算得到的高速铁路电务安全指数通过了双边趋势检验分析,能准确拟合电务设备状态的变化及持续周期变动,且部分状态变化趋势通过了显著水平α=0.05 （置信度为95%）和α=0.01 （置信度为99%）的检验,变化趋势明显;优化后的电务安全指数能直观、动态且连续地反映高速铁路电务设备运行的安全态势。     

融合本体和深度学习的高速铁路应急预案数字化方法研究

应急预案是对高速铁路突发事件进行科学高效处置的核心,通常以纸质文本、电子文档等方式存储,存在着数字化程度不足、查询效率不高、全文检索困难、智能关联性差等不足.提出一种融合本体和深度学习的高速铁路应急预案数字化方法,即通过深度学习算法对突发事件消息文本中的类型、等级、时间、地点等关键信息进行提取,采用本体方法对突发事件应...     

基于层次分析法的工务安全评价研究

铁路工务系统安全评价对于保障工务系统设备安全有着重要意义。在工务安全中,影响因素错综复杂。本文提出采用层次分析法,建立了铁路工务安全评价模型,对工务安全进行综合评价,可以及时发现各工务段安全隐患,预先采取措施,以确保行车安全。     

基于ATT-CNN-BiLSTM的虚拟编组列车时空轨迹预测

保障虚拟编组平稳追踪运行的关键问题是实现对列车运行状态的精准预测。针对列车运行过程多变的特点,提出基于融合注意力机制的卷积双向长短期记忆神经网络(ATT-CNN-BiLSTM)的时空轨迹预测方法。针对列车历史运行数据中非正常运行场景稀少产生的数据非均衡问题,利用卷积神经网络和双向长短期记忆网络提取列车运行数据维度之间的特征关联,并增加注意力机制提升泛化能力。同时引入运行时验证方法在线监控预测结果,降低由预测错误造成的行车风险。以成都地铁8号线真实数据为例进行实验,设计5种评价指标,通过基线模型与消融实验对所提ATT-CNN-BiLSTM进行评价,该模型对于异常场景的预测误差至少减小9.626%。     

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。     

基于铁路数据服务平台的铁路工务设备安全画像应用设计方案

为保障列车运行安全,减少安全设备投入,提升安全管理效率,设计了基于铁路数据服务平台的铁路工务设备安全画像应用方案。以分析当前铁路工务设备检测现状作为切入点,结合铁路数据服务平台,运用机器学习框架和大数据治理技术,从设备状态指标统计分析、设备单元安全评价、关键指标及安全态势趋势预测、高危设备及不良态势安全预警等4个方面设计铁路工务设备安全画像应用功能。辅助业务人员快速定位数据,对工务设备安全态势有更加直观的判断,以防止设备不稳定状态导致的事故故障,实现事故故障超前防范。     

基于混合深度学习模型的城轨短时客流预测

准确预测短时客流对城市轨道交通管理者组织客流、有效分配运力资源具有重要意义。构建一种融合注意力机制和时空图卷积门控递归单元的轨道交通短时客流预测模型(STGGA)。基于旅行时间及OD量构建邻接矩阵,采用图卷积神经网络(GCN)捕获客流空间关系。同时,将注意力机制融入门控递归单元(GRU),提取客流时间相关性。进一步引入外部因素,采用GRU进行特征提取,捕捉外部因素对客流的影响。选取北京地铁客流数据进行案例分析。研究结果表明：与自回归移动平均(ARIMA)、支持向量回归(SVR)以及GRU相比,提出的STGGA在总体预测、单站预测效果方面最优,其精度分别至少提高了22.3%,19.3%与8.0%;加入的外部因素能有效提高STGGA预测性能,使其均方根误差至少降低3.4%;引入的注意力机制能识别客流相关输入时间步,增强模型解释性,有效降低STGGA的均方根误差达16.4%;与基于地理连接关系的模型(STGGA_GC)相比,基于旅行时间与OD量的模型(STGGA_TT和STGGA_OD)在均方根误差方面分别降低了35.5%和24.1%;对不同时段预测效果进行分析：与STGGA_OD相比,STGGA_TT在晚高峰展现出了明显的预测优势。所提出的STGGA能够实现轨道交通短时客流的高精度预测,为管理者分析、控制客流提供一定的数据支撑。     

基于数据建模的高速铁路供电故障指数计算方法

高速铁路牵引供电系统是典型的复杂机电系统,对其故障进行定量描述和评估有助于研究故障发生的时间和空间规律、影响因素和故障原因.我国高速铁路经过10多年的运营实践,供电专业已经积累了大量而详细的故障数据,主要包括故障发生时间、发生地点、影响范围、故障原因和故障情况的详细描述等内容.采用文本分析、特征提取、时空聚类分析、影响...     

基于IPSO-LSTM的高速铁路无砟轨道不平顺预测

为准确预测高速铁路无砟轨道不平顺发展趋势,结合改进粒子群优化算法(IPSO)和长短期记忆网络(LSTM)搭建轨道质量指数(TQI)预测模型(IPSO-LSTM),将轨检车获取的各项轨道不平顺检测数据经过异常值剔除和降噪等预处理,形成TQI时间序列数据,利用标准化处理后的TQI样本开展模型训练和不平顺预测分析,并与其他常用预测方法进行对比。研究结果表明：长短期记忆网络具有记忆历史信息的功能,能较好地预测非线性时间序列的发展趋势。采用IPSO可解决LSTM中隐含层神经元个数和学习速率等超参数难以选取的问题,增强了模型预测性能。针对某高速铁路K5+000～K7+000区段长达4年的轨道不平顺检测数据,IPSO-LSTM模型对TQI的预测精度最高,自回归积分滑动平均模型(ARIMA)次之,BP神经网络和灰色模型相差不大。IPSO-LSTM的平均相对误差和均方根误差分别为0.035和0.135,与ARIMA,BP神经网络和灰色模型相比,其平均相对误差降低22%～45%,均方根误差降低26%～45%,验证了IPSO-LSTM模型用于无砟轨道不平顺预测的有效性。IPSO-LSTM预测模型有望为了解和掌握高铁无砟轨道质量发展提供一种新的技术支撑。