基于改进 BiLSTM 网络的地铁车轮磨耗预测模型

针对地铁车轮磨耗数据时间跨度较长引起的长期依赖问题，为了进一步提升预测精度，提出一种将麻雀搜索算法(sparrow search algorithm，SSA)优化双向长短期记忆网络(bidirectional long short term memory，BiLSTM)的改进 BiLSTM(SSA-BiLSTM)网络模型，用于地铁车轮磨耗预测。首先，利用麻雀搜索算法对双向长短期记忆网络算法的神经元个数、迭代次数、输入批量和学习率等超参数在给定范围内进行寻优，得到参数最优值；然后，以参数最优值来构建改进 BiLSTM 网络模型，对车轮磨耗进行预测分析；最后，以车轮踏面磨耗和轮缘磨耗作为研究对象，将某地铁 1 车厢 1 号车轮的现场实测历史磨耗数据作为输入，对该模型进行训练及验证分析，并与多层感知机(multilayer perceptron，MLP)、LSTM、BiLSTM 以及 SSA-LSTM 模型的预测结果进行对比。研究结果表明：SSA-Bi-LSTM 模型的车轮磨耗预测精度更高，与 LSTM、BiLSTM 以及 SSA-LSTM 网络模型相比，踏面磨耗的平均绝对百分误差(mean absolute percentage error，MAPE)分别降低了 13.28%、10.32%、1.47%，轮缘磨耗分别降低了 9.5%、0.46%、0.02%；分别对同一地铁 2 号、4 号车厢的 1 号位置车轮磨耗进行预测，并与磨耗实测数据进行对比，踏面磨耗的平均绝对百分比误差分别为 1.34%、1.42%，轮缘磨耗的平均绝对百分比误差分别为 0.18%、0.19%，验证了本文所提模型具有良好的泛化性，为地铁轮对智能化管理提供理论支持，延长车轮使用寿命。

Improved Prediction Model of Metro Wheel Wear Based on BiLSTM Network