基于小波神经网络高铁运营监测预测方法研究

以某段高段变形监测项目半年(共7期)的监测数据为例,对当前较为常用的预测方法:指数曲线法、抛物线法、Asaoka法,回归分析法、卡尔曼滤波、灰色理论、仿真分析法、BP神经网络分析法与小波神经网络进行对比分析,得出利用小波神经网络预测模型预测高铁运营沉降在收敛性、容错性、逼近能力上更有优势,预测精度更高,预测结果和实测数据更加吻合的结论。     

基于小波神经网络的沉降预测软件开发与应用

将小波神经网络分析方法用于高铁沉降评估和运营监测管理,针对其方法的不足及局限性,将Matlab语言的核心代码编译成C++代码并编制成软件,与BP神经网络、卡尔曼滤波等方法进行对比分析。工程实例表明,小波神经网络与其他沉降预测方法吻合性较好,其收敛性、逼近性及容错能力更强,预测精度更为稳定。     

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。     

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。     

基于神经网络的双模盾构复合地层掘进参数预测模型

依托深圳市轨道交通12号线怀德站-福永站区间隧道工程，基于EPB/TBM双模盾构穿越地质参数和现场掘进监测数据，采用BP神经网络方法建立双模式盾构掘进参数预测模型，分别对地层参数及掘进模式进行量化，将刀盘扭矩、刀盘转速、螺旋机转速、总推进力、隧道埋深、围岩等级、岩石单轴饱和抗压强度及不同掘进模式作为输入参数，预测出在不同掘进模式及不同地层条件下的设备掘进速率，针对3类典型地层的预测结果进行可视化分析验证，并对预测模型精度进行改进分析。结果表明：神经网络预测模型在TBM模式下的微风化段平均相对误差为8.6%,EPB模式下的强风化段平均相对误差为10.6%,EPB模式下的中风化段平均相对误差26.2%;该模型对强风化段及微风化段等地层强度变化较为稳定的地层预测精度较高，同时，该预测模式适用于22个隐层神经元并对掘进速率采用直接放缩的方法。     

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。     

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。     

基于灰色综合评估和PSO-BP的地铁车辆可靠性评价

为了更加科学地评价地铁车辆的可靠性状态,并依据评价结果指导车辆检修策略的调整,使上线车辆的可靠性处于可控状态,提出采用灰色综合评估和粒子群算法优化反向传播神经网络(PSO-BP)预测相结合,综合评价地铁车辆当前的可靠性状态。依据地铁车辆安全评价相关标准,确定地铁车辆可靠性状态评定等级、取值范围及对应状态。基于车辆各子系统当前故障数据分析获取各子系统可靠度及评分值,同时利用层次分析法确定各子系统所占车辆的权重,根据各子系统评分值及权重采用灰色综合评估法确定车辆不同可靠性等级的比重,对车辆可靠性状态进行预分析。利用BP神经网络和PSO-BP神经网络可靠度预测模型,根据历史故障数据对车辆各子系统的可靠度进行预测,并对比2种模型的预测精度。根据灰色综合评估法预分析结果和PSO-BP神经网络可靠度预测结果,综合评价车辆当前的可靠性状态。以上海地铁某车型为例,依据各子系统的故障数据进行算例分析及验证。研究结果表明：PSO-BP神经网络相比于BP神经网络预测的相对误差降低了4.39%,具有较好的预测精度。将灰色综合评估和PSO-BP预测相结合,可以更客观准确地评价地铁车辆当前可靠性状态,为深入开展轨...     

基于EMD的SVR方法在铁路客流预测中的应用

客流预测是铁路客运运营管理的重要依据,铁路客流具有非线性、非平稳的特点,传统预测模型很难得到满意的结果,因此利用经验模态分解(EMD)方法对客流进行自适应的分解,利用支持向量回归机(SVR)对固有模态函数(IMF)进行预测,建立基于EMD的SVR铁路客流预测模型。利用Matlab对SVR预测、BP神经网络预测和基于EMD的SVR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22%、25%和13%。结果表明,基于EMD的SVR方法的预测精度明显高于另外两种预测方法,能够有效地提高铁路客流预测准确性。     

基于改进小波神经网络的IGBT时间序列预测算法研究

针对IGBT老化失效问题,提出一种基于遗传算法改进的小波神经网络时间序列预测方法。在分析IGBT失效原理的基础上,利用IGBT老化数据集,选取关断瞬时"集电极-发射极"尖峰电压为失效特征参数,采用滑动时间窗法构建训练集与测试集,然后在MATLAB中搭建遗传算法改进的小波神经网络预测模型进行预测,并与传统的小波神经网络预测模型对比分析。试验结果显示,遗传算法改进的小波神经网络预测方均误差为0.017 1,方均根误差为0.130 9,平均绝对误差为0.109 6,分别比传统小波神经网络预测模型降低了0.005 7, 0.020 0, 0.064 0,有效提升了IGBT时间预测的精度。     

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。     

滑坡预测预报的Verhulst反函数残差修正模型

Verhulst反函数模型适用于非负、单调、监测数据波动小的预测问题,因而对随机波动性较大的数据序列拟合较差,故预测精度低.BP神经网络预测模型适用于随机的非线性动态数据系统,可弥补Verhulst反函数预测模型的局限性.在Verhulst反函数预测预报模型的基础上,增加残差项,运用BP神经网络对残差序列进行二次建模分析,形成滑坡失稳时间预报的verhulst反函数残差修正模型预测方法.应用VerhuIst反函数残差修正模型和Verhulst反函数模型预测方法,对国内外滑坡监测实例进行滑坡预测预报的结果表明,Verhulst反函数残差修正模型预测值的预报结果更接近实际观测数据,预测值的平均相对误差较Verhulst反函数模型减少1%～7%,预测精度高,适用范围广.     

基于BP神经网络的铁路货运量预测

在铁路货运量预测中，为改善传统预测方法数据拟合度不高、外推性不强等问题，提出基于BP神经网络技术的货运量预测模型，该模型采用贝叶斯正则化方法以提高神经网络推广能力。实验比较发现，该模型具有较强的自适应性，其拟合、预测结果优于灰色预测模型GM（1，1）和修正指数回归模型，证实了该方法的可行性和可靠性。     

基于DeepAR的短期风速概率预测

为对铁路沿线风速提前进行预判，保障桥梁施工及高速铁路列车运行时的安全，提出基于深度自回归模型(DeepAR)的短期风速预测方法。采用平潭海峡公铁两用大桥和西堠门大桥实测风速进行验证，并以包括小波包分解下的卷积神经网络和循环神经网络混合模型(WPD-CNNLSTM-CNN)在内的4种模型作为点预测对比模型，以SimpleFeed-Forward、ARIMA、Random Walk模型进行置信度为50%与95%的区间预测作为对比模型。研究结果表明：无论是点预测还是区间预测，DeepAR模型都能够在具有随机性、间歇性的短期风速序列中提取到特征信号并进行精度较高的预测，且相比于其他模型具有更好的准确性与泛化能力，可满足实际工程短期风速预测需求。     

基于广义动态模糊神经网络的短时车站进站客流量预测

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点,结合逻辑推理能力强的模糊技术与自学习能力强的神经网络,提出一种基于广义动态模糊神经网络(GD-FNN)的短时进站客流量预测方法。以北京轨道交通各车站的进站客流量数据为例,分析轨道交通车站的进站客流特征,确定影响短时客流分布的主要因素;然后采用GD-FNN方法构建车站短时进站量的预测模型,实现对北京轨道交通系统若干车站进站量的预测。预测结果表明:该方法与传统的神经网络相比,预测效果更准确(最大相对误差小于8%),稳定性好。     

基于BP神经网络的激光叠焊焊接接头熔深预测研究

分析了激光功率、焊接速度和离焦量3个焊接参数的变化对激光叠焊焊接接头熔宽和熔深的影响,证明了熔宽和熔深的变化规律具有一致性。利用焊接参数和超声波检测信号建立了BP神经网络模型,模型验证结果表明,熔深预测的最大偏差不超过0.1 mm,最大相对误差为3%。所建立的BP神经网络预测模型满足实际应用中对激光叠焊焊接接头熔深测量要求。     

基于广义动态模糊神经网络的轨道交通车站进站量预测1

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点，结合逻辑推理能力强的模糊技术与自学习能力强的神经网络，提出一种基于广义动态模糊神经网络（GD-FNN）的短时进站量预测方法。以北京轨道交通各车站的进站客流量数据为例，分析轨道交通车站的进站客流特征，确定影响短时客流分布的主要因素；然后采用GD-FNN方法构建车站短时进站量的预测模型，实现北京轨道交通系统若干车站进站量的预测，预测结果表明，该方法与传统的神经网络相比，预测效果更准确（最大相对误差小于8%），稳定性好。     

基于机器学习的盾构掘进参数预测

依托济南市济泺路穿黄隧道东线工程,选取1 130组掘进数据,按照施工顺序划分数据集,采用粗细程度、软硬程度、密实程度和渗透能力4个维度描述土体的物理力学状态,分别建立基于长短期记忆模型(Long-Short Term Memory, LSTM)、随机森林模型(Random Forest)和BP神经网络的盾构隧道掘进参数预测模型,详细对比分析3种模型对总推力和掘进速度的预测效果。研究表明：(1)LSTM模型在按施工顺序预测盾构总推力和掘进速度时,平均相对误差仅为3.72%和7.41%,模型训练时间均在20 s以内,整体表现优于随机森林模型和BP神经网络;(2)在地形发生剧烈变化以及盾构掘进线路在直线与平曲线过渡时,总推力和掘进速度出现较大波动,LSTM模型预测结果相对误差偏大的组数仅占4%与10.2%,且总体误差满足施工要求;(3)随机森林模型预测结果的相对误差在总推力和掘进速度剧烈波动的环段处偏大,数量偏多,因此在按施工顺序预测时不是优选。     

基于改进BP神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

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。