基于非等時距加權(quán)灰色模型與神經(jīng)網(wǎng)絡(luò)的軌道不平順預測-論文.pdf

《基于非等時距加權(quán)灰色模型與神經(jīng)網(wǎng)絡(luò)的軌道不平順預測-論文.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、第36卷第1期鐵道學報Vol_36NO．12014年1月JOURNALOFTHECHINARAILWAYSOCIETYJanuary2014文章編號：10018361(2014)01—0081一O7基于非等時距加權(quán)灰色模型與神經(jīng)網(wǎng)絡(luò)的軌道不平順預測韓晉，楊岳，陳峰，吳湘華(中南大學交通運輸工程學院，湖南長沙41O075)摘要：對軌道不平順的發(fā)展趨勢進行有效預測，可以提高鐵路線路養(yǎng)護的維修效率，保障行車安全。根據(jù)軌道不平順的發(fā)展特性，提出一種基于非等時距加權(quán)灰色理論和神經(jīng)網(wǎng)絡(luò)法的組合預測方法。該方法通過構(gòu)建非等時距加權(quán)灰色預測模型，將原始TQI序列的平

2、均值作為累加序列初值，將連續(xù)累積函數(shù)的積分面積作為背景值，對累加序列進行加權(quán)處理，較好地反映了時間序列對軌道不平順預測結(jié)果的貢獻。在此基礎(chǔ)上，引入BP神經(jīng)網(wǎng)絡(luò)模型對TQI預測的殘差序列進行修正，較好地克服了單一模型預測精度偏低的不足。分別對滬昆線上行兩段線路的軌道不平順進行預測，結(jié)果表明該預測方法相對誤差平均值分別為2．76和2．O8，預測結(jié)果的后驗差比值分別為0．121和0．151，精度等級達到l級。關(guān)鍵詞：軌道不平順；神經(jīng)網(wǎng)絡(luò)；非等時距；灰色模型．力口權(quán)；殘差修正中圖分類號：U212．24+6文獻標志碼：Adoi：10．3969／j．issn．1

3、001—8360．2014．01．013PredictionofTrackIrregularityBasedonNon。。equalIntervalWeightedGreyModelandNeuralNetworkHANJin，YANGYue，CHENFeng，WUXiang—hua(SchoolofTrafficandTransportati0nEngineering，CentralSouthUniversity，Changsha410075，China)Abstract：Effectivepredictionofthetrackirregular

4、itydevelopmenttrendcanimprovetheefficiencyofrailwaylinemaintenance&repairsandSOensuretrafficsafety．Accordingtotrackirregularitydevelopmentcharacter—istics，thecombinationpredictionmethodbasedonthenon—equalintervalweightedgreytheoryandneuralnet—workmethodwasproposed．Withthismetho

5、d，byconstructingthenon—equalintervalweightedgreypredictionmodel，theaverageoftheoriginalTQIsequencewasregardedasthecumulativesequenceinitialvalue，theinte—gralareaofthecontinuousaccumulationfunctionwasusedasthebackgroundvalue，thecumulativesequencewasprocessedbyweighting．Therefore

6、，thecontributionofthetimesequencetothetrackirregularitypredic—tionresultswasbetterreflected．Onthisbasis，theBPneuralnetworkmodelwasintroducedtoamendtheTQIpredictionresidualssequenceandtoovercomethedrawbackoflowpredictionaccuracybyasinglemode1．ThetrackirregularitiesoftWOup—direct

7、ionsectionsoftheShanghai—KunmingLinewerepredictedrespectively．Thepredictionresultsindicatethatthemeansoftherelativeerrorsare2．76and2．08respectively，theposteri—orerrorratiosare0．121and0．151respectively，andtheaccuracylevelreachesA．Keywords：trackirregularity；neuralnetwork；non—equa

8、linterval；greymodel；weight；residualmodification利用軌道不平順