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。     

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...     

基于小波变换和ARIMA模型的高速铁路轨道不平顺研究

为探索轨道几何状态变化趋势,利用小波变换和ARIMA模型研究了盘营高速铁路下行线某区段TQI值的变化规律。首先利用小波变换将原始数据分解为平稳的高频信号和低频信号,然后用ARIMA模型分别拟合高、低频信号,最后对高、低频信号的拟合值进行小波重构获得原始数据的拟合值。结果表明:基于小波变换的ARIMA模型预测结果误差较小,与实际检测结果基本一致,说明模型拟合结果良好,能在一定程度上预测TQI的变化趋势。     

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.     

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%。     

基于小波分析的最小二乘支持向量机轨道交通客流预测方法

针对城市轨道交通客流预测问题,采用离散一维Daub4,小波分析方法对某一时间段的原始客流时间序列数据进行分解;以分解得到的高频分量和低频分量为样本数据,对最小二乘支持向量机进行训练,确定最小二乘支持向量机的核参数σ,以及系数a和b.利用训练后的最小二乘支持向量机预测未来一段时间客流时间序列数据的高频分量和低频分最,然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重构,从而得到预测的未来一段时间客流时间序列数据.与历史平均预测法和灰色预测法进行比较,结果表明,基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度.     

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。     

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。     

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).     

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。     

基于小波分析和神经网络的网络流量预测

网络流量的准确预测对于提高网络服务质量与网络安全有很重要的作用.本文主要对流量序列进行小波分解和重构,并结合神经网络对网络流量进行预测,新的算法可以有效提高预测精度.通过分析神经网络及非线性预测模型的优劣,建立一个网络流量预测模型.同时利用实际采集的网络流量数据对模型进行仿真,证实该模型可以有效控制由各种因素导致的误差,从而提高网络流量的预测精度.     

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。     

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。     

客运专线板式轨道轮轨噪声分析

在已建立的轮轨噪声预测模型STTIN的基础上,对高速列车在板式轨道上运行时的轮轨噪声进行了预测分析,并对高速列车在板式轨道上运行时产生的轮轨噪声与在有砟轨道上运行时的轮轨噪声进行了比较.发现钢轨辐射的主要是中、高频噪声,车轮辐射的主要是高频噪声,而轨道板则辐射中、低频噪声;钢轨、车轮和轨道板对总噪声的贡献不同,其中钢轨贡献最大,轨道板最小;无砟轨道的轨道旁噪声级与有砟轨道的相比高出约6.2 dB,铁路边界处近地面噪声级高出约3.5 dB,可见板式轨道噪声明显高于有砟轨道.     

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.     

基于并行图卷积网络的无砟轨道监测测点异常识别

针对在服役过程中高速铁路无砟轨道结构健康监测可能出现由结构局部损伤或者传感器故障导致的测点异常问题,建立一种并行图卷积神经网络模型,来识别高速铁路无砟轨道监测测点的异常。采用结构早期初始状态的监测数据训练并行图卷积神经网络,获得结构初始状态下的测点数据之间的空间关联性;利用并行图卷积神经网络预测服役状态无砟轨道测点监测数据,实现轨道监测测点异常的识别;此外,对明显漂移的数据可基于有向图分析修正预测结果。将该方法应用于某高速铁路无砟轨道结构长期监测数据并识别了异常测点。     

长大山岭隧道涌水量的BP神经网络时间序列预测模型

基于BP神经网络时间序列的隧道涌水量预测模型不必考虑隧道涌水量的影响因素及其关系,而是将隧道涌水量的时间序列做归一化处理,作为模型的输入输出变量,通过历史数据和所建立的预测模型来预测隧道涌水量。以一隧道1999年6月—2000年6月涌水数据序列为例,进行了基于BP神经网络时间序列模型的隧道涌水量预测,预测误差约为5.74%,满足精度要求。