基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

基于混沌理论的铁路客货运量预测研究

应用混沌理论的相空间重构方法,分析与铁路运量相关的12组时间序列,分别计算它们的嵌入延迟时间、嵌入维数、关联维数、最大Lyapunov指数等混沌统计量,并以此为依据判断12组时间序列的混沌特性。结果显示:铁路客货运量及周转量不具有混沌特性,对应的4组时间序列不是混沌的;铁路客货运量、周转量的增量及增长率都具有明显的混沌特性,它们对应的8组时间序列是混沌的。在识别是否混沌的基础上,应用基于最大Lyapunov指数预测方法,对铁路客货运量、周转量进行预测检验及预测结果分析。     

VBR视频业务的混沌特性研究

基于混沌理论的相空间重构技术,分别用自相关函数法和伪邻点法计算4条标准VBR(Variablebitrate)视频流I帧序列、GOP(groupofpictures)序列的时间延迟与最小嵌入维数;并在此基础上,利用Wolf算法得到其均具有正的最大Lyapunov指数。这一研究结果表明VBR视频业务在不同时间标度上均具有混沌特性,这为VBR视频业务的混沌建模和预测奠定了基础。     

一种基于小数据量的快速识别短时交通流混沌特性的方法

对短时交通流进行预测、诱导和控制是智能交通控制系统的重要研究内容。由于对短时交通流进行混沌特性识别时,存在实时性与样本数量之间的矛盾。因此,本文基于混沌时间序列分析理论,提出了一种快速计算短时交通流时间序列最大Lyapunov指数的小数据量方法,用于识别短时交通流中是否存在混沌特性。该方法首先将短时交通流时间序列在相空间中进行重构,以充分提取短时交通流中的相关信息。并结合庞卡来截面法对识别结果进行了验证。从而为对短时交通流进行分析、预测和控制时所采用的相应方法提供了可靠的理论依据。对实测短时交通流行为进行识别的结果表明,该方法具有计算量小、实时性好,对小数据量可靠且容易操作等优点。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

一种快速视频序列混沌特性的检测方法

随着现代轨道交通旅客信息系统（PIS）的广泛使用,PIS系统视频流的车/站互传的流量预测问题变得更加重要。在旅客信息系统通过无线信道传输的视频流,通常不具有任何先验统计特性,而无线资源管理过程中又非常需要关于视频流量的可预测统计信息。基于这种需要,本文提出一种快速视频混沌特性检测的方法。该方法通过计算序列的最大Lyapunov指数分析其混沌特性,为使用混沌的预测方法估计视频传输流量进行预判决。在对Lyapunov指数进行计算前,先对数据进行预处理,在不损失数据内在特征的前提下,明显地降低计算量。通过对实际数据的仿真验证,证明该算法在判断准确性、实时性等方面均表现良好。     

基于LSTM网络的铁路货运量预测

准确预测铁路货运量对铁路货运组织工作的开展极为重要,特别是短期(月、日)货运量数据直接关系到铁路各项运输计划的编制。人工神经网络模型因其强大的学习能力而被广泛运用于各领域的预测,其中的LSTM网络适合处理和预测铁路货运量这类间隔和延迟相对较长的时间序列。考虑不同时期货运数据的特点分别建立基于月货运量数据的LSTM多变量预测模型和基于日货运量数据的LSTM时间序列模型。基于广铁2010—2017年的货运量数据,运用所建模型预测各月和每日的货运发送量,并与ARIMA模型预测方法和BP神经网络方法的预测结果相比较。结果表明,LSTM网络预测效果更佳。     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

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。     

基于混沌理论的建设项目环保投资估算研究

采用混沌时间序列分析技术对我国高速公路环保投资做了较为全面的研究,分析了1997年—2006年我国部分高速公路环保投资的数据。首先对数据结构进行定性分析,通过频数分布图,发现环保投资数据与正态分布之间存在着差异。功率谱分析、主分量分析则清楚表明序列具有非线性性质,主分量分析还表明序列具有混沌迹象。在定性分析的基础上,通过计算序列的有关非线性特征值对其混沌性质进行进一步确认。采用G-P算法计算序列的相关维,采用小数据量法计算最大Lyapunov指数。计算得到的最大Lyapunov指数为正数,说明环保投资序列处于混沌状态,可以使用混沌时间序列方法对建设项目可行性研究阶段环保投资进行估算。     

城市轨道交通自动售检票系统实时进站客流量异常检测

阈值范围的合理设定,对AFC(自动售检票)系统实时进站客流量数据的有效性检测至关重要。采用改进的小数据量法计算历史进站客流数据时间序列的Lyapunov指数,验证该序列的混沌特性;利用C_C方法确定混沌时间序列的时间延迟和最佳嵌入维数,对原时间序列进行相空间重构,确定模型训练测试样本集;采用大范围网格搜索方法优化混沌支持向量机回归模型参数,利用优化后的模型预测各时段的进站客流量;利用训练样本集中各时段进站客流量预测残差序列的分布特性,确定在某一置信度下各时段进站客流量预测残差的置信区间,从而确定未来时段的进站客流量异常检测的阈值上限和阈值下限。试验结果表明,该方法有效地增强了系统对于AFC系统实时进站客流量数据有效性检测的能力。     

基于混沌密钥的小波数字水印方法

提出一种基于混沌密钥的小波数字水印方法。该方法在现有的混沌数字水印系统基础上 ,增加一个混沌映射作为私有密钥来克服有限字长效应和提高算法的抗破译性。嵌入水印时 ,将原始图像进行四层小波分解 ,利用人类视觉系统 (HVS)特性 ,选择中频系数与混沌水印序列相加 ,进行取模运算后再嵌入到混沌映射模型中进行迭代。检测时 ,利用相应的混沌映射模型生成混沌水印序列 ,并与原始水印序列进行相关检测。研究结果验证了本文方法的有效性 ,并证明能比单一混沌系统提供更好的抗破译性能     

基于神经网络的铁路货运量预测

阐述构建铁路车务系统运输指标预测体系的重要性,并以某车务段发送量的数据为例建立了基于BP网络的预测模型,提出了可利用十八点统计2．0系统数据库和神经网络的结合,建立铁路运输指标预测体系的建议。     

变比特率视频业务的混沌局域预测

鉴于变比特率视频业务具有混沌特性,本文在相空间重构的基础上,利用混沌时间序列的局域一阶预测法对两条标准的变比特率视频业务进行了预测,预测结果表明预测值能够很好地与实际值相吻合,而且不存在预测时延。相比自适应线性预测,具有更好的预测效果,为有效地进行网络资源分配和流量控制提供了基础,同时也为用混沌理论对变比特率视频业务进行建模和预测做了探讨。     

围岩结构面分布的混沌现象研究

研究目的：岩体中的结构面分布十分复杂，传统的分析方法是基于随机假设而进行，却无法分析它们组合分布的特点。本文目的就是通过对结构面混沌特征量研究，揭示出隧道围岩中结构面分布存在一定的混沌特征，从而提出一种新的结构面分布研究方法。研究方法：建立结构面间距、倾向和倾角序列，分别计算3个序列混沌特征量，根据其结算结果判断结构面序列为混沌序列：除定量计算结果外，还可以用功率谱图中的负幂现象、PCA图中的斜率等判断结构面序列具有混沌特征。根据嵌入维和空间延迟对结构面进行相空间重构。研究结果：kolmogorov熵大于0，Lyapunov指数趋于0，关联维为大于3的实数，功率谱图中在低谱部分出现负幂，PCA图具有一定的斜率。嵌入维和空间延迟的计算结果表明结构面可以张成多维空间，嵌入维可取15～19，空间延迟宜取2～6，相空间重构反映了空间分布的折叠和扭曲。研究结论：结构面在空间分布具有混沌特征，且位于混沌边缘。结构面的关联维数与分形维一样也反映了岩体中结构面的分布状态，间距序列的关联维数越大，说明结构面越多，分布越复杂，岩体越破碎。同样产状序列的关联维数越大，说明结构面产状变化越大，优势面方向越多。     

基于BP网络的铁路货运量预测

阐述了铁路货物运输需求预测的重要性,并以煤为例构建了基于BP网络的预测模型,通过对该模型的训练,得到了较好的预测效果,提出了可利用BP神经网络对其他货物品类进行预测的建议。     

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。     

一种基于BP神经网络的铁路大宗货物运价风险预警判定方法

为获取较大的市场占有率和较好的利润增长水平,铁路货运公司需要实时掌握铁路货物运价在货运市场中的竞争力,综合考虑社会、企业自身和货主等因素,基于BP神经网络算法,进行铁路货运价格风险预警判定方法研究,并建立运价风险预警模型。以某铁路局集团有限公司大宗货物运输中的煤炭运输为例,选取2015-2017年相关数据,训练BP神经网络模型,得到铁路煤炭运价的风险预警结果。与实际数据对比,拟合程度较高,因此可使用该方法对当期的运价风险程度进行合理预测,同时也对相关铁路部门的运价政策制定与调整起到辅助决策作用。     

基于双层次正交神经网络模型的铁路客运量预测

针对传统BP神经网络模型存在的计算效率和泛化能力低的问题,采用双层次特征分析方法对铁路旅客发送量统计数据的时间特征进行分析,提取出日趋势特征、月趋势特征、日周期性特征、月周期性特征、春运-暑运特征和黄金周-小长假特征作为模型的输入变量,建立双层次的BP神经网络模型,然后根据Gram-Schmidt正交化定理对双层次BP神经网络模型进行改进,在隐含层的输出采用Gram-Schmidt变换增加投影层,从而得到双层次正交神经网络模型。该模型包括2个相对独立的网络模型,1个用于处理客运量日数据,另1个用于处理月数据,2个网络模型的输出经过合成,最终得到客运量的预测结果。模型的应用证明,在铁路客运量预测中双层次正交神经网络模型比传统的BP神经网络模型更为有效。     

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.