基于非等时距加权灰色模型与神经网络的轨道不平顺预测

对轨道不平顺的发展趋势进行有效预测,可以提高铁路线路养护的维修效率,保障行车安全。根据轨道不平顺的发展特性,提出一种基于非等时距加权灰色理论和神经网络法的组合预测方法。该方法通过构建非等时距加权灰色预测模型,将原始TQI序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,较好地反映了时间序列对轨道不平顺预测结果的贡献。在此基础上,引入BP神经网络模型对TQI预测的残差序列进行修正,较好地克服了单一模型预测精度偏低的不足。分别对沪昆线上行两段线路的轨道不平顺进行预测,结果表明该预测方法相对误差平均值分别为2.76%和2.08%,预测结果的后验差比值分别为0.121和0.151,精度等级达到1级。     

基于改进非等间距灰色模型和PSVM的轨道质量指数预测

有效预测轨道不平顺的发展趋势对铁路的养护和管理具有重要意义。根据轨道不平顺发展的趋势性和随机性,本文提出一种将非等间距灰色模型与粒子群优化支持向量机结合的预测方法。利用改进的非等间距灰色GM(1,1)模型预测轨道质量指数(TQI)序列在未来一段时间内的变化,再利用粒子群优化的支持向量机(PSVM)模型对灰色预测值进行纠正,得到较准确的TQI序列,构建出轨道不平顺变化趋势预测模型。分别对沪昆线上行两段线路的轨道不平顺进行预测,结果表明该组合模型的预测精度较高,相对误差分别低至1.03%和2.74%。     

基于灰色区间预测模型的轨道不平顺状态预测

轨道不平顺状态是影响行车安全的关键因素。轨道质量指数(TQI)是反映轨道几何状态变化的重要数据,是一个随时间变化的时间序列,具有随机性。为了更好地研究轨道状态的变化趋势,利用灰色区间预测模型,对单元区段范围内随时间变化的TQI进行建模,并与传统的非等间距GM(1,1)预测模型相比较。为了说明预测模型的有效性,采用京九线K467.8~K468单元区段实际数据进行验证,结果表明灰色区间模型的预测精度更高,对铁路轨道养护维修工作起到指导作用。     

基于灰色区间理论的重载铁路轨道质量指数发展预测

基于一重载铁路大量历史检测数据,利用灰色区间理论建立了重载铁路轨道质量指数的灰色区间预测模型,对重载铁路轨道质量指数变化规律进行了预测。模型采用分段三次Hermite插值函数将非等时距序列转化为等时距序列,将所选区段单次检测平均值作为观测值,根据预测结果反算求得每个单元区段的轨道质量指数预测值。结果表明,采用灰色区间预测模型能够对重载铁路轨道质量指数的发展变化进行高效率、高精度的模拟与预测。     

基于灰色理论的轨道几何状态中长期时变参数预测模型的研究

根据轨道几何不平顺的发展特性,在灰色预测理论的基础上,考虑模型参数随时间的变化,并优化背景值,建立以轨道几何不平顺检测数据为时间序列的非等时距灰色时变参数模型。为更好地描述轨道几何不平顺影响因素间复杂的函数关系,提高模型拟合和预测精度,基于残差分析引入周期性函数,对模型进行组合修正。应用此模型对轨道质量指数TQI数据进行分析预测,并对其精度进行检验。结果表明:模型能较好地反映轨道质量随时间发展的随机波动特征,拟合、预测精度高,适合进行中长期预测,可为了解和掌握轨道质量状态的发展规律提供新的方法。     

基于灰色GM(1,1)和灰色-马尔可夫模型的轨道几何不平顺预测及应用研究

国外轨道不平顺的研究思路和方法大多是建立在对轨道动态检测数据的不同分析手段和方法上,然而由于各国检查数据的不同使得国外模型无法直接应用于国内轨道状态预测。基于昆明铁路局的实际数据,提出了灰色预测模型和灰色-马尔可夫预测模型。通过将2种模型的预测结果与一元线性回归预测结果对比分析,证明灰色预测模型不仅适用于较长区段的TQI(轨道质量指数)预测,对于更长区段的TQI预测也有比较好的效果,同时证明灰色-马尔可夫预测模型不仅能够预测随机性较强的TQI数据,也能应用于较长时间范围内的预测。     

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。     

基于灰色GM（1，1）非等时距修正模型的轨道质量预测

根据灰色理论,以轨道质量指数检测数据为原始时间序列,通过累加弱化序列的随机性,挖掘轨道系统内在的规律,研究建立基于厌色GM(1,1)非等时距模型的轨道质量预测方法.为提高模型预测精度,优化模型中的初值和背景值,并基于残差分析引入周期性函数,对模型进行修正.用此模型对轨道质量指数TQI数据进行分析预测,并对模型精度进行检验.结果表明模型能较好地反映轨道质量恶化发展的随机波动特征,拟合、预测精度高,为了解和掌握轨道质量状态的发展规律提供了新的方法.     

基于灰色系统辨识的轨道质量生命周期预测方法研究

将本文作者提出的灰色非线性模型(该内容发表于《铁道学报》2010年第2期)视为由一系列趋势项发展系数和随机项系数控制的时程函数,并将其系数作为系统分析中的辨识参数,表征系统随时间发展特征属性。在已知大机捣固作业效率或初始质量条件下,认为不同维修周期内轨道质量系统发展存在"相关性",将已知维修周期内TQI时间序列挖掘出的辨识参数作为预测维修周期内TQI发展的特征参数,建立轨道质量生命周期预测模型。实例证明:所提出预测模型可较为合理地预测各维修周期内轨道质量发展,为研究轨道质量生命周期提供思路。     

客货共线无砟轨道平顺状态预测模型

客货共线无砟轨道的轨道质量指数(TQI)具有随时间长期缓慢变化并伴随平稳波动的特点,而现有的预测模型难以预测这种变化。基于小波和时间序列分析预测方法,提出ARMA-BP神经网络和ARMA-SVR预测模型。通过小波分析将TQI时间序列分解为高频和低频2个部分,采用ARMA模型对高频部分建模,分别采用BP神经网络和支持向量回归SVR模型对低频部分建模,最后对高频和低频进行综合预测。此方法可根据具体情况对具有不同特性的TQI时间序列进行针对性建模,提高预测精度。运用此方法对包西线和太中线10个无砟轨道区段TQI时间序列进行预测,结果表明:ARMA-BP神经网络与ARMA-SVR的建模精度平均值分别为98.1%和98.5%,后验差分别为0.31和0.21,均达到1级;前者对已知数据的拟合精度高,而后者对未知数据预测能力较强、泛化能力更突出。     

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...     

铁路轨道不平顺预测模型研究与应用

在保障列车行车安全的前提下提高维修效率和减少经济开支具有重要意义。为此,利用综合轨道检测车检测的历史轨道不平顺动态检测数据TQI值进行科学合理的分析,建立一种基于数据选择向量的非等时距灰色模型和神经网络理论相结合的预测方法,对实际线路轨道不平顺值进行预测,相对误差分别为2.63%、2.516%和2.025%。将预测模型应用在年度轨道状态最优综合维修计划的编排中,以养护维修时间和维修地点为决策变量,以年度轨道不平顺平均值最小为目标函数,在考虑了一系列约束函数的情况下,建立了利用遗传算法求解最优解的辅助决策模型。实验结果表明,该方法提高了预测精度,具有较好的实用性,能够快速地编排出线路的年度养护计划。     

基于灰色理论的列车自动运行系统预测模块优化算法

灰色理论在可改进ATO(列车自动运行)速度控制器的算法方面具有可行性和优越性。灰色系统模型主要分为预测模型和决策模型。介绍了传统GM(1,1)灰色预测模型的建立过程,阐述了优化GM(1,1)模型的计算流程和计算过程,并利用实际线路数据检验了优化后的预测模型。检验结果表明,通过优化后的预测模型得到的预测结果平均相对误差小,预测精度高;且同时改进权重系数和初始条件时,预测结果更精确。     

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。     

基于最小二乘支持向量机的高速铁路路基沉降预测

高速铁路路基的施工环境复杂,沉降监测数据往往是不等时距的.鉴于最小二乘支持向量机拥有强大的非线性拟合能力,使用最小二乘支持向量机建立沉降与时间的关系函数,以等时间步长插值得到路基的等时距沉降时间序列,建立基于最小二乘支持向量机的高速铁路路基沉降预测模型.分别运用给出的预测模型和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测,并与现场实测数据对比.结果表明,短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的预测精度高,预测结果更稳定,外推预测沉降更可靠.     

基于支持向量机的轨道不平顺预测研究

利用支持向量机的预测方法建立轨道质量指数预测模型,采用京九线下行100个轨道单元区段的实际轨检车检测数据对模型进行验证,并将预测结果与递推合成BP网络方法进行对比。研究结果表明:该方法建立的模型所得TQI预测值的平均相对误差为0.85%,预测精度与递推合成BP网络方法相比有所提高,说明将支持向量机技术引入到轨道不平顺预测中能够取得良好的预测效果,可以有效地反映轨道质量指数的发展趋势,对轨道不平顺预测研究具有一定的参考价值。     

优化GM(1,1)与SVM组合模型的路基冻胀预测应用

基于非等时距GM(1,1)优化预测模型,采用支持向量机进行预测残差修正,建立一种组合预测算法,并运用该算法对铁路路基冻胀进行定量预测。对经典非等时距GM(1,1)模型背景值和初值的计算方法进行优化,同时设置时距权值矩阵,对不同时间测量所得数据赋予不同权重。在初始预测后,对残差值采用支持向量机进行非线性修正,得到最终预测值。选取哈大客专某区段实际测量路基冻胀数据,对算法实用效果进行检验。所建立预测模型平均预测误差值为2.039%,最大预测误差5.911%,后验证差比值0.005,各项指标均优于单一灰色模型与文献[6]中建立的组合预测模型,实现了对铁路路基冻胀的较高精度定量预测。     

改进的轨道质量指数线性预测模型研究

针对轨道不平顺的发展,提出轨道质量指数(TQI)变化的线性预测模型.该模型使用平均法计算出一个适用于某一线路区段轨道不平顺的斜率 K 值,利用该 K 值建立线性预测模型,对轨道不平顺发展TQI值进行预测.影响轨道不平顺发展的因素复杂,不平顺的发展趋势表现出一种非线性变化的特点,俗称"浴盆型"曲线.提出改进的轨道质量指数TQI预测模型,即多阶段轨道不平顺线性预测模型(MPLM).     

轨道精调后动静态轨道质量指数的相关性研究

轨道精调达到静态峰值验收标准后,进入动态联调联试调整阶段,联调联试时间紧任务重,为减少调整工作量,希望实现静态TQI预测动态TQI。引入动静比研究精调后动静态TQI之间的关系,分析动检速度和线形对动静关系的影响,通过分析动静比的置信区间,实现静态TQI预测动态TQI。结果表明:动态TQI比静态TQI大1.0~1.5倍,同一线路中,TQI动静比与动检速度正相关,与线形不相关;从杭长高铁情况来看,对于设计时速300~350 km/h的高速铁路,将全线静态TQI控制在2.65 mm以下,可保证动态验收合格,从宁安高铁情况来看,对于设计时速200~250 km/h的高速铁路,将静态TQI控制在4.60 mm以下,可保证动态验收合格,可靠度均达95%以上。     

灰色线性回归组合模型在地面沉降预测中的应用

选择合适的沉降与时间的关系模型对于沉降预测而言是很重要的。根据地面沉降机理与曲线特征，对某数据序列进行了光滑性和指教规律性检验，使用线性回归和灰色模型的组合模型对该数据序列建模和预测，所得平均相对误差和均方差比值都优于GM（1，1）。研究结果表明，具有线性特征的沉降数据序列选用灰色线性回归组合模型进行短期预测效果更好。