基于GARCH的短时风速预测方法

为提高高速列车运行的安全性,基于线性递归的差分自回归移动平均模型(auto-regressive integrated moving average, ARIMA)和非线性递归的广义自回归条件异方差模型(generalized auto-regressive conditionally heteroscedastic, GARCH),提出一种组合模型ARIMA-GARCH进行高速铁路强风风速的短时预测.首先对数据的非平稳性进行预处理,以降低数据非平稳性对所提模型的影响;其次建立线性递归的ARIMA模型对数据进行分析和预测;最后,引入非线性递归的GARCH模型对数据进行分析和预测.基于现场测量的样本仿真分析表明:相比原始数据,ARIMA-GARCH模型的预测精度较高且随着预测步长的增加,平均绝对误差仅从0.836 m/s增加到1.272 m/s;ARIMA-GARCH模型考虑了异方差这一非线性特性,其预测精度明显好于线性的ARIMA模型,其中超前6步预测的平均绝对误差精度提高11.54%.      

基于区间分析的组合预测系数确定方法

采用区间数描述组合预测的系数，基于区间数学知识，建立了一种新的分析方法，为了克服直接采用区间运算法则计算时结果易于扩张的问题，将确定组合预测的系数转化为一个线性规划问题求解．算例对文中方法的可行性和有效性进行了验证。     

基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测

针对航空发动机性能退化失效的变点和多状态参数的时间序列预测, 构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型; 使用多尺度排列熵算法对时间序列进行变点分析, 求解出性能退化过程中的突变点, 得到了有故障征兆的性能退化起始点; 构建了包含多变量的长短时记忆神经网络模型, 将多个状态参数代入到模型中得到对应的剩余寿命; 将变点后的航空发动机多状态参数和剩余寿命作为样本, 代入到长短时记忆神经网络模型中进行多步和多变量的时间序列预测; 通过综合航空发动机状态参数变点分析方法和时间序列预测模型, 得到最终的剩余寿命预测结果。研究结果表明: 多尺度排列熵算法能够及时监控各个状态参数的变化, 当发现状态参数异常时, 排列熵的值会发生跳变, 从而有助于及时发现故障征兆; 长短时记忆神经网络模型通过门控单元对长时间序列数据进行信息筛选, 充分保留了有效信息用于时间序列预测; 多变量长短时记忆神经网络能够对多状态参数进行同步分析, 并且将状态参数直接与剩余寿命相对应, 提高了模型效率; 通过多尺度排列熵算法和长短时记忆神经网络模型的结合, 能够考虑到航空发动机的多退化模式, 得到更符合实际退化过程的剩余寿命预测结果; 经过算例分析, 提出方法的剩余寿命预测的均方根误差为5.3, 与长短时记忆神经网络、反向传播神经网络和支持向量机相比, 误差分别降低了63%、72%和78%。     

基于CEEMDAN-GWO-LSSVM的高铁沿线短期风速预测模型

为提升高铁沿线风速短期预测的精度,利用基于自适应去噪完全集合经验模态分解(CEEMDAN)和灰狼优化(GWO)与最小二乘支持向量机(LSSVM)模型对高铁沿线风速进行短期预测。以某高铁沿线每间隔1 min采样的风速数据作为仿真对象展开建模实验并与其他组合预测模型进行比对。结果表明：CEEMDAN-GWO-LSSVM模型可以显著提升风速预测精度和准确性,其中均方误差(MSE)、平均绝对误差(MAE)和均方根误差(RMSE)3项评价指标提升程度分别达71.17%、46.14%和42.49%,均为最高。降低预测过程中产生的误差,为我国高速铁路沿线的短期风速预测研究提供有益借鉴。     

基于Box-Cox-TQR概率密度的铁路运用车保有量预测方法

合理的铁路运用车保有量,对满足铁路货运需求,提高货车运用效率,降低运营成本等有重要作用.考虑铁路运输系统复杂的内外部环境及其动态变化特性,对影响运用车保有量因素定性分析;提出了粗糙集属性约简、灰色关联分析、逐步回归方法相结合的主要影响因素识别方法.以此为基础,建立了基于 Box-Cox变换分位数回归(Box-Cox-TQR)和核密度估计相结合的概率密度预测模型.以国家铁路局运用车保有量实际数据为基础,进行预测试验.结果表明,利用主要因素识别的方法符合目标值的运动变化规律,预测结果具有良好的精度.此外,概率密度预测比点预测、区间预测传递出更多信息,为管理决策提供更多准确有用信息.     

基于Box-Cox-TQR概率密度的铁路运用车保有量预测方法

合理的铁路运用车保有量，对满足铁路货运需求，提高货车运用效率，降低运营成本等有重要作用.考虑铁路运输系统复杂的内外部环境及其动态变化特性，对影响运用车保有量因素定性分析；提出了粗糙集属性约简、灰色关联分析、逐步回归方法相结合的主要影响因素识别方法.以此为基础，建立了基于 Box-Cox变换分位数回归(Box-Cox-TQR)和核密度估计相结合的概率密度预测模型.以国家铁路局运用车保有量实际数据为基础，进行预测试验.结果表明，利用主要因素识别的方法符合目标值的运动变化规律，预测结果具有良好的精度.此外，概率密度预测比点预测、区间预测传递出更多信息，为管理决策提供更多准确有用信息.     

基于区间数距离的铁路线路方案决策模型与方法

为了研究铁路选线方案决策中定量指标与定性指标难以综合评价的系统量化问题,引入区间数理论,建立了基于区间数距离的铁路线路方案决策优化模型. 首先将选线方案中的定量和定性指标转化为区间数,得到区间数决策矩阵;然后对决策矩阵进行规范化处理得到规范化区间数决策矩阵;接着利用区间数距离法计算评价指标的权重,构造加权规范化决策矩阵;再基于加权规范化决策矩阵,利用区间数距离对决策方案排序择优,得出综合比选结果;最后结合工程比选实例验证了模型的作业程式. 结果研究表明:该模型在将含有不确定性信息的定性指标进行量化时,比传统的AHP方法可减少主观原因对决策结果的影响,尤其是指标权重的计算结果更可靠;在进行决策方案排序择优时比利用传统的投影法计算更为简便.      

基于模型预测控制的公交信号优先控制方法

针对现有公交优先信号控制技术在控制基础、控制目标、控制方法等方面存在的问题,提出了基于模型预测控制的干线协调控制方法,建立了相应的控制模型。为验证控制实施效果,以南京龙蟠路为原型,对公交信号进行优先仿真情景设计,采用粒子群算法求解,结果表明,优化模型比传统模型在社会车辆与公交车辆平均延误等方面表现更优异。     

基于线性迭代预测的线性调频信号估计方法

针对线性调频(linear frequency modulation, LFM)信号参数估计方法中参数估计范围较小的问题,以旋转求和抽取(rotate add decimate,RAD) 测频方法为基础,提出了一种估计LFM信号参数范围的改进方法.该方法在保证线性调频斜率以及频率估计精度的前提下,将线性调频斜率估计范围扩展至(-π/2,π/2).给出了用线性迭代预测方法改进LFM信号参数估计范围的基本思想和步骤.最后仿真验证了该方法的有效性.     

基于最大熵模型的城市快速路交通状态预测方法研究

道路交通状态预测是交通流诱导和交通信息发布系统的重要依据. 本文提出了一种基于最大熵模型的城市快速路交通状态预测方法,该方法通过提取影响交通状态的时间、空间等各种特征,运用最大熵模型训练得到各特征权重,直接预测道路交通状态等级. 最大熵模型能够有效融合时间、空间等多种特征,并且不需要考虑各特征之间的相关性,具有很强的适应性. 实验结果表明,基于最大熵模型直接预测交通状态等级同样具有较高的准确性. 最大熵模型的成功使用,也证实了将交通状态预测作为一种模式分类问题来解决的可行性,进一步扩展了交通状态预测的思路.     

基于GM(1, 1)模型与相关向量机的轨道不平顺区间预测

为开展以预防修为主的养护维修作业,联合GM(1, 1)灰色模型与相关向量机(RVM)算法,提出一种预测轨道不平顺演化区间的GM(1, 1)-RVM组合模型;结合轨道质量指数(TQI)的振荡演变特性,通过二次-对数复合函数平滑优化和序列权重优化改进了GM(1, 1)模型,通过粒子群优化(PSO)算法对待优化参数进行搜索确定,并在此基础上计算点的预测值;构造以点预测值为输入,以TQI实测值为输出的样本特征映射模式,引入5折交叉验证环节优化与训练了RVM模型的组合核函数;通过GM(1, 1)模型与RVM模型间的输入-输出衔接机制集成了组合预测模型,并以某有砟线路中的2个区段为实例检验了轨道不平顺区间的预测效果。研究结果表明：与既有预测模型相比,改进GM(1, 1)-RVM组合模型可得到预测区间的均值和方差,从而将预测结果从单点数值扩充到预测区间;2个区段实例在外推区间上的点预测结果与TQI真实值相比,平均百分比误差分别为1.53%和4.67%,较支持向量回归(SVR)模型分别降低了0.58%和0.61%,较GM(1, 1)-反向传播神经网络(BPNN)模型分别降低了0.15%和1.87%;改进GM(1, 1)-RVM组合模型在90%、95%和99%三种置信度下的最大平均预测区间宽度分别为0.324 5、0.387 9和0.510 5 mm,最低预测区间覆盖率分别为91.67%、95.83%和95.83%,预测区间基本涵盖了外推区间内的TQI演化数据。可见,利用预测的均值和方差构造区间边界可有效把控轨道不平顺演变过程中的随机波动,为轨道不平顺预测提供了一种新思路。     

基于三参数区间泛灰数的技术站能力表示与估计方法

铁路技术站能力是衡量其运输生产效能的重要指标,为了体现能力的伸缩性并提高能力测定的精度,分析了三参数区间与泛灰数应用于能力表示的适用性,通过三参数区间保证能力上下界的取值范围,引入泛灰数来降低能力运算可能带来的区间扩张,并根据作业系统的状态界定了收缩、平衡和松弛3种能力. 通过多种区间估计方法的比对,采用JAB （Jackknife-after-Bootstrap）区间估计方法对铁路技术站能力的伸缩范围进行测定. 郑州北编组站的实例分析表明:相较于原有的能力定值表示方法,基于三参数区间泛灰数的能力表示与估计方法测定的区间宽度更小,区间位置更加精确,当置信水平为95%时,置信区间为[9.6933,10.2043],区间宽度为0.511;当置信水平为90%时,置信区间为[9.7358,10.1653],区间宽度为0.429;郑州北站通过能力的收缩度为0.99,松弛度为1.01,改编能力的收缩度为0.94,松弛度为1.07,说明能力测定结果呈现一定的松弛和收缩现象.