基于无偏灰色组合动态模型的铁路客运量预测研究

针对目前铁路运输客运量预测在精度方面的不足，提出一种无偏灰色组合动态预测模型，应用于现有铁路客运量的预测。通过借鉴无偏GM(1,1)模型直接建模思想，对传统的灰色Verhulst模型作出改进，即对原始序列作倒数生成，运用新生成的倒数序列建立无偏灰色Verhulst模型，以消除传统的灰色Verhulst模型自身的一些偏差；为进一步提高模型的拟合精度及收敛速度，引入马尔科夫链方法对无偏灰色Verhulst模型的拟合结果进行修正，同时兼顾数据序列具有一定的时效性，构建出无偏灰色组合动态客运量预测模型。以我国兰青铁路某区段2010—2019年共10年的客运量数据作为原始数据，验证模型的可靠性与准确性，并与传统EDGM(1,1)模型、灰色Verhulst模型和无偏灰色Verhulst模型作对比，结果表明，本文模型在预测精度方面更凸显优势，能有效提高预测结果的准确性。     

基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法

首先,根据铁路月度客运量时序图呈现的趋势性、周期性和随机波动性,运用季节分解法将其分解为趋势循环分量、季节因子分量和不规则分量,直观量化地表征出所蕴含的特征信息。接着,引入季节时间序列模型(SARIMA)对平稳化和单整检验后的月度客运量序列的趋势性和季节性进行建模,通过季节差分序列的相关图筛选确定出最佳模型阶数,得到SARIMA基础预测模型。然后,为提高模型对波动性的刻画精度,消除异方差影响,再对基础模型的回归残差进行ARCH检验,构建出广义自回归条件异方差(GARCH)模型,并检验所建SARIMA-GARCH融合模型的稳定性。最后,将融合模型与常规SARIMA、ARIMA和NAR动态神经网络模型的短期预测值进行精度对比验证,并对其中长期预测性能做测试分析。结果表明,SARIMA-GARCH模型短期预测性能优于SARIMA、ARIMA和NAR动态神经网络模型。     

基于灰色Verhulst模型的铁路货运量预测研究

针对铁路货运量数据序列特征,将灰色Verhulst模型的建模方法引入铁路货运量的预测,并进行建模计算及预测值精度检验。     

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。     

灰色模型在高速铁路不同构筑物沉降预测中的研究应用

高速铁路线下不同的构筑物会导致沉降差别很大,对不同构筑物的沉降预测模型需要分别研究。根据高速铁路不同构筑物沉降小量级、大波动的数据特点,利用灰理论预测方法,结合实际采集的观测数据进行分析,并探索出在不同的时期以及不同的构筑物应该采取合适的沉降预测模型,为以后高速铁路不同构筑物的沉降预测提供参考和借鉴。     

GM(1,1)模型在巨型溶洞超厚回填路基沉降监测中的应用

为验证GM(1,1)模型在黔张常铁路高山隧道巨型溶洞超厚回填路基沉降监测和预报项目中的适用性,根据现场实际情况布设沉降监测基准网和监测网并进行数据采集,选取某一断面的3个监测点在某一时期内的9期监测数据进行处理与分析,根据累计沉降量数据的变化关系建立GM(1,1)模型,该模型的后验差值比C和P均达到Ⅰ级拟合精度。利用GM(1,1)模型对该段路基的累计沉降量和沉降趋势进行预测,预测结果与该巨型溶洞超厚回填路基的实际沉降情况吻合较好,预测结果可供后续施工组织参考。     

黄土路基工后沉降预测模型对比研究

工后沉降是造成路基沉降变形的主要原因,研究路基工后沉降的规律并预测最终沉降量对工程设计具有重要意义.利用兰武二线黄土路基工后沉降的长期观测数据,提出一种新的分析预测模型--似固结模型,并与泊松模型、指数模型、对数模型、双曲线模型的预测结果进行对比分析.结果表明:双曲线模型与似固结模型的误差平方和与预测曲线的误差均较小,能较好地反映黄土路基工后沉降的规律,两者相互印证,提高了工后沉降预测的可靠度.利用各种预测模型对不同测点工后沉降进行预测分析后的对比研究表明,似固结模型对黄土路基工后沉降的预测有较广泛的适用性,研究结论对于黄土地区铁路建设具有一定的借鉴意义.     

基于灰色系统理论的铁路客运专线路基沉降预测

基于灰色预测模型GM（1,1）模型、离散灰色预测DGM（1,1）模型和非线形离散灰色预测NLFDGM（1,1）模型,采用FORTRAN语言,编制了路基沉降预测程序GREYMODEL。将该程序应用于铁路客运专线路基典型断面沉降预测,并与实测结果进行对比。结果表明：DGM（1,1）模型作为GM（1,1）模型的离散形式,两种模型的预测结果比较接近,短期预测精度高,中长期预测精度低;结合等维信息建模,非线形离散灰色预测NLFDGM（1,1）模型具有极高的精度和稳定性,在路基沉降预测中推荐使用;并提出了若干关于提高灰色模型预测稳定性和精度的建议。     

端梁加固运营铁路框架桥的研究

地铁盾构隧道下穿铁路框架桥时，通常需预先对框架桥底部土体进行加固，但当框架桥长度较大时，倾斜钻孔注浆难以到底框架桥中间底部的位置，导致注浆加固范围有限。研究提出一种地铁盾构隧道下穿运营铁路框架桥的新型加固体系，并通过建模对比计算表明，端梁加固体系能有效减小框架桥的竖向沉降，且使底板处的土体沉降整体达到均化效果。     

基于实测沉降数据的路基沉降机理及其预测分析

对路基沉降机理进行较深入的分析,归纳对比各类沉降预测模型,根据组合预测的思想通过加权建立组合预测模型,并基于最小二乘法进行求解。通过实测数据的建模分析,发现S形曲线拟合优度明显更好;组合模型确实能有效利用每种模型的信息而使预测值更为精确,组合模型的建立方法是合理且能够应用的。基于一维固结的解析法计算的最终沉降值与预测值的比较表明预测方法是可行的。两种计算方法都能满足工程实际需要。     

基于FARIMA的铁路数据网流量趋势预测

利用FARIMA模型,对铁路数据网中的真实数据流量进行建模并分析,提出一种新型的基于FARIMA模型的铁路数据网流量预测方法,该方法能够同时描述网络流量的长相关特性和短相关特性。将FARIMA过程转换为差分过程和ARMA过程进行趋势预测,并且根据平均绝对误差、绝对百分比误差等多项指标进行比较验证。通过对高速铁路数据网6个月的数据进行建模分析,利用不同的参数设置预测未来2个月的流量趋势,并与真实数据进行对比。实验结果表明该方法比传统的基于ARMA模型的预测方法更为精准,能够适用于铁路数据网流量趋势预测。     

城市轨道交通线网时空相关性客流预测研究

城市轨道交通客流预测是一个时空相关的复杂问题,仅根据车站的历史数据很难得出更有参考价值的预测结果。提出基于Elman神经网络算法的时空相关性客流预测方式。其模型输入包括车站的历史数据和线网中其它车站及交叉线路车站的时空相关性数据。前者从车站前3周数据中提取纵向强时间相关性数据;后者从相关车站的前3周数据中提取横向强时间相关性数据。提取过程均采用Spearman算法。在两条交叉线路共33个车站3周时间范围的客流数据上,利用Elman神经网络算法比较分析时空预测方式和时间预测方式的预测性能。试验结果表明,时空预测方式对实际客流的预测精度优于时间预测方式。最后,在时空预测的基础上进行客流多步预测,为城城市轨道交通有效的客流疏导提供数据支持和相对宽裕的时间。     

路基沉降预测的拓展指数曲线模型

路基的工后沉降是高速铁路建设中的主要问题之一,通过实测沉降资料,采用曲线拟合的方法估算工后沉降是工程中最为常用的方法。指数曲线法作为曲线拟合法的一种,一般不适用沉降量级小、数据相对波动大的高速铁路路基沉降预测。针对常规指数曲线法的缺陷,对其进行了改进,提出了拓展指数曲线模型,介绍其求解过程。结合武广铁路客运专线部分实测资料,运用双曲线模型和三点法分别进行了对比分析预测,研究结果表明:拓展指数曲线模型的预测结果相关系数高,误差较小,与实测数据基本吻合,可为今后类似条件下的路基沉降预测分析提供参考。     

基于时间序列分析的变形数据预测

变形监测对于建筑物的安全运营具有重要作用.结合工程实际,采用时间序列模型对变形数据进行建模预测,结果表明,时间序列分析在短期数据预测中精度较高,随着预测时间的增加,预测精度逐渐下降;建模数据越多,模型精度越高;同时,建模数据变化越平稳,数据预测效果越好.     

基于随机森林结合前向序列选择算法的铁路隧道防水板检测数据关键影响因素识别北大核心

针对参数特征复杂度高的铁路产品,提出了一种基于随机森林(RF)结合前向序列选择(SFS)算法的铁路产品检验检测数据关键影响因素识别方法,以辅助基于经验的识别方法。创新使用RF-SFS算法,将其应用于铁路隧道防水板检验检测数据关键影响因素的识别研究。根据多年铁路隧道防水板检测数据,建立RF模型,获得了影响铁路隧道防水板检测结果的特征关键性评分序列。随后,结合SFS方法得出关键性评分序列的阈值,将排名前6位的影响因素识别为关键特征,模型的预测能力达到99.98%。为验证关键特征识别方法的有效性,对比分析3种模型在使用不同特征子集时的预测能力。当仅选用关键特征时,3种模型的预测能力均达到最佳,加入冗余特征后模型的预测能力逐渐降低。     

基于人工神经网络的大直径盾构隧道施工地层变形预测分析

为了预测盾构施工引起的地表沉降规律,以京张高铁清华园大直径泥水盾构隧道工程为背景,结合盾构试验段隧道掘进过程中地层变形的监测数据,建立基于时间序列的NARNN(不含外部输入)和NARXNN(含外部输入)非线性自回归神经网络预测模型,对重要监测断面测点的隧道掘进过程中地表沉降发展趋势进行预测分析,并与传统时间序列ARMA模型预测结果进行对比,发现NARNN模型、NARXN模型、NARMA模型的预测结果与现场监测数据都比较吻合,而NARNN和NARXN非线性自回归神经网络预测模型精度明显高于传统时间序列ARMA模型,而考虑外部输入的NARXNN模型又比不考虑外部输入的NARNN精度高。因此,在考虑施工方法、地质条件和空间效应(埋深)等外部因素条件下建立的NARXNN模型具有良好的预测效果,能够较好地模拟盾构施工引起的地表沉降规律。     

软弱地层环境下地铁盾构下穿铁路框架桥影响分析及应对措施

文章以杭州地铁 9 号线一期工程下穿沪杭铁路框架桥为背景,建立盾构下穿施工三维数值模型,分析软弱地层环境下地铁盾构隧道下穿施工对铁路框架桥的影响,提出多种确保铁路安全运营应对措施。施工过程中通过现场监测得出的数值分析表明,盾构隧道下穿施工中铁路框架桥最大沉降量为 6.72 mm;进行洞内注浆加固后,最大沉降量降为 4.76 mm;这说明在软弱地层环境下及时进行洞内注浆对抑制铁路框架桥的沉降变形具有显著效果。监测结果还表明,盾构右线施工对框架桥沉降变形的影响大于左线,且铁路框架桥最大沉降达到 6.9 mm;采取应对措施及时进行洞内二次注浆,可有效控制框架桥的持续沉降变形,使铁路框架桥处于安全可控状态。     

输水管道群下穿既有铁路软土地基变形控制技术研究

大直径输水管道群顶管下穿既有铁路软土地基必然会引起铁路路基沉降和轨道变形,影响铁路行车安全。以顶管下穿既有京沪铁路工程为研究对象,对顶管下穿铁路引起的路基沉降和轨道变形规律进行数值模拟计算;提出软土地基沉降变形控制标准及加固方案、施工工艺参数及施工控制措施。通过现场监测成果,验证地基加固效果及其合理性。研究结果表明:输水管道群顶进施工引起铁路路基的最终变形沿铁路中心线呈"U"形分布,最大沉降量约为12.5 mm,大于最大路基面沉降和水平位移不应超过10 mm的要求。采用旋喷桩与袖阀管注浆相结合的地基加固措施,有效地提高了地基强度,减小了顶管施工对既有铁路的影响。整个顶管施工过程中,绝大多数监测点路基沉降值在3～10 mm之间,水平位移在2～6 mm之间,路基变形满足规定要求。该研究成果对新建构筑物下穿既有铁路工程的设计、施工具有借鉴意义。     

铁路混凝土槽形梁弯扭耦合效应分析与设计优化

以西宁—大通铁路50 m单线混凝土槽形梁为实例,介绍铁路混凝土槽形梁的结构特点,分析直线混凝土槽形梁在曲线荷载作用下的弯扭耦合效应,阐述采用空间板壳模型进行结构分析的准确性和铁路混凝土槽形梁结构设计中普遍存在的问题。结果表明:对于铁路直线混凝土槽形梁曲线加载情况,平面杆系模型存在缺陷,空间板壳模型的分析结果较为全面,可以精确计算槽形梁弯扭耦合放大效应。对于梁板结合部位应力集中问题,可以通过分析空间实体模型得到全桥范围内该部位最大应力,从而采取相应措施优化构造或配筋率来降低局部应力。     

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.