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%。     

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。     

基于改进非等时距灰色模型与PSO优化的轨道不平顺预测

基于轨道动检数据开展的轨道不平顺预测研究,可用于指导以预防为主的养护维修作业。将改进非等时距灰色模型与粒子群优化(Particle Swarm Optimization,PSO)相结合来实现轨道质量指数(Track Quality Index,TQI)的高精度预测。在考虑TQI原始动检数据特征的基础上增加原始数据平滑优化、累加初始值优化和背景值优化等环节提出改进非等时距灰色模型。利用PSO算法的启发式搜索优势,以平滑优化参数、初始值优化参数、背景值优化参数为搜索目标,以预测平均相对误差为适应度函数,实现预测模型参数的自适应优化。在此基础上,基于优化参数计算得到拟合区间和外推区间上的TQI预测结果。选取沪昆线上行区段实测TQI数据对本文方法进行验证,并与既有TQI组合预测模型的预测结果进行了对比。研究结果表明,模型可有效捕捉TQI序列中的随机波动与实时演变趋势,在外推区间上的平均相对误差分别为2.04%和2.54%,预测性能优良;当TQI序列振荡特性显著时,本模型仍能保证预测结果的可靠性;与组合预测模型相比,该模型规避了残差修正、多算法融合等繁琐步骤,可通过有限优化环节提升预测精度,为轨...     

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）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.     

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。     

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BP神经网络的铁路轨道几何不平顺预测方法

设备密集型重载铁路对轨道平顺状态预测技术十分重视,受限于数据挖掘分析技术,轨道检测车在养护维修计划决策支持方面还未完全发挥应有的作用。本文根据轨道不平顺的变化特点,采用神经网络方法对重载铁路轨道不平顺7项参数进行预测,从而为养护维修策略的决策提供支持。将某重载铁路K420+000~K426+000区段长达18个月的轨道不平顺检测数据用于模型训练并进行预测分析,结果显示:双隐层、单隐层BP网络模型和多元回归分析模型的均方预测误差平均值分别为0.065 2、0.068 9、0.105 1,平均相对误差分别为8.03%、8.65%、11.57%。双隐层BP网络模型模型精度更高,该模型为重载铁路轨道不平顺发展预测的研究提供了新的思路。     

基于机器学习的地铁轨道几何劣化规律个性化建模研究

较高的轨道平顺性是保障地铁列车安全舒适运行的基础,准确掌握地铁轨道的劣化规律对保障轨道质量具有重要意义。根据地铁线路特点,选择影响地铁轨道质量劣化的7类异质性因素,给出赋值模型,并基于机器学习方法建立轨道质量指数(track quality index,TQI)短时预测前馈神经网络模型。为了验证模型,采集了北京地铁1号线的线路设备数据及2016年8月15日至2019年2月18日间的17次TQI检测数据,形成训练数据集和测试数据集,并采取深度学习技术,利用训练数据集对该模型进行训练。基于测试数据集的模型预测值的可决系数为0.938,平均绝对百分比误差为4.80%,结果表明该模型是有效的且具有较高的预测精度。     

既有线轨道质量指数的分布与不平顺权重系数统计分析

利用轨检车在沪宁线苏州—南京段线路上检测的不平顺数据,计算既有沪宁线的轨道质量指数(TQI),运用统计方法对轨道质量指数的频数分布和里程分布进行分析。结果表明,线路90%以上的TQI数值处于13以下。通过对单项不平顺占轨道质量指数权重进行统计分析,得到单项不平顺的管理值。分析表明,对沪宁线而言,左、右高低不平顺和水平不平顺在TQI中占的比重较大,对轨道质量的影响较大。根据统计得到的TQI管理值和各项不平顺所占权重,各项不平顺小于管理值之内的里程均大于78%。说明将沪宁既有提速线路的TQI管理值定为13基本能保证线路的质量状态。     

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。     

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).     

基于灰色理论定量预测轨道质量指数的研究

轨道质量指数是目前我国铁路应用的一种主要的均值评价方法,能够真实、准确地反映出轨道不平顺的质量状态.用大机维修期内观测到的轨道质量指数TQI值构造灰色预测模型,研究数据潜在规律,对TQI随时间的变化规律进行研究,预测某一时刻的TQI值,从而获得轨道质量随时间变化的规律,为各级工务管理部门对轨道不平顺状态进行宏观管理和质量控制提供依据,并将其用于指导编制维修计划和指导养护维修作业,使维修计划安排重点突出、针对性强、投资效益高、线路质量状态均衡.     

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。     

基于分位数回归的轨道质量指数阈值合理性数据分析

高速铁路轨道高平顺性是保障列车行车安全的重要基础，考虑到现有规范中针对轨道不平顺养护维修的局限性，需要对轨道动态不平顺管理值的合理性进行研究和改善。利用历史数据及统计方法挖掘轨道动态不平顺峰值管理值与均值管理值的联系，基于时间序列的异常检测与修正模型，通过分位数回归探究各项指标半峰值与标准差关系，并给出相应的均值管理建议值。结合7条不同工况线路的实测数据，研究结果表明：速度200～250 km/h线路建议采用80%及以上分位数的标准差作为管理值，而速度250(不含)～350 km/h线路建议采用95%及以上分位数的标准差作为管理值；相同时速线路、同一分位数下，若建议管理值越高，表明峰值与标准差的倍数较小，该线路状态较好，特别是单点不平顺超限的数量较少，不需要较严格的TQI管理值进行整体管理；反之，则表明单点超限可能较多，需要压低TQI管理值确保较低的峰值超限数量；对于5项不平顺指标，轨距出现峰值超限的概率最大，养护维修时需着重关注。     

地铁轨道几何不平顺指标预测方法研究

充分考虑轨道平顺状态劣化的不确定性和异质性,基于灰色区间预测建模理论建立了轨道几何不平顺指标灰色区间预测模型。为验证模型的可靠性,根据北京地铁2号线10个典型单元区段在2017年2月至2019年2月之间的12次轨检车检测数据,以三角坑不平顺指标为例,利用所建模型进行模拟并将模型预测值与实际检测值进行对比。结果表明,该模型模拟结果精度检验合格且具有较高的预测精度,可以用于预测轨道几何不平顺指标。     

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。     

轨道质量状态评价方法

轨道状态直接决定轨道-车辆系统运行的安全性和舒适性。目前对轨道不平顺的评价主要采用局部幅值超限扣分、轨道质量指数(Track Quality Index,TQI)、不平顺功率谱、车辆动态响应等方法。幅值超限扣分法适用于局部存在幅值较大不平顺的情况;TQI能较好地反映区段轨道不平顺质量状态,英国、德国、美国、荷兰和我国大多采用200～250m区段TQI评价轨道不平顺的好坏;轨道不平顺功率谱