基于数据驱动的动车组运行里程预测算法

来源 :北京交通大学 | 被引量 : 0次 | 上传用户:LIUANQING5201314
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
根据现行动车组检修规程的要求,动车组的运行里程是决定其进入高级修的时机的主要依据,准确的动车组运行里程预测结果是编制合理的高级修计划的基础前提。目前,随着我国高铁规模不断扩大,投入运营的动车组不断增多,各检修单位所能提供的高级修检修资源显得愈发有限,这对高级修检修计划的编制提出了新的挑战,也间接对动车组运行里程预测方法提出了更高的要求。当前普遍采用以动车组日均走行里程数为关键参数的推算法来预测动车组运行里程,但这种方法在实际使用中被证实存在预测准确率低、预测性能不稳定的问题,间接影响所编制的高级修计划的合理性。动车组运行里程预测的相关研究较少,目前缺乏一种成熟的预测方法,因此有必要提出一种新的具有高准确率和高稳定性的动车组运行里程预测方法。本文研究了一种以交路接续规律为基础的动车组运行里程预测算法,主要研究内容如下:(1)介绍了动车组运用和检修计划的相关知识,通过分析目前我国动车组的运用现状和检修现状,为后文的算法模型设计奠定研究基础。首先根据动车组运用方式、现行交路计划的特点以及现有历史数据中存在的交路接续规律,说明了以交路预测等价替换里程预测的可行性。其次,通过分析动车组的检修现状和运用过程中存在的意外情况,对动车组停车的原因作了阐述。(2)在上述分析的基础上,将预测算法模型的构建分为交路接续预测和停车预测两部分。首先设计了能够体现动车组历史数据参考价值变化的时间权重计算公式,随后提出了交路转移概率矩阵来具现化历史数据中的交路接续规律,并在此基础上明确了交路接续预测的方法步骤。其次,在得到交路接续预测结果之后,形成了以动车组检修规程中的“双修制”为主要依据的动车组停车预测方法。(3)在模型的算法设计上,采用预热性预测的训练方法确定时间权重的关键参数,并以“输入—算法步骤—输出”的形式为模型中的各个部分设计了对应的算法。(4)从中车四方提供的动车组开行数据集中随机抽取了9列动车组进行算例验证与分析,分别采用本文算法和日均里程法进行预测求解,并将两者预测结果进行对比。最终的实验结果表明本文算法在预测准确率和预测性能上均有显著提升,证实了本文算法的有效性和可行性。
其他文献
近年来,随着深度学习在图像、自然语言等规则拓扑结构的数据上大放异彩,研究者们尝试将深层神经网络推广应用到3D点云数据,并开展了大量关于3D点云神经网络卷积算法的研究。但由于3D点云拓扑结构的不规则特性,特征池化算法,作为推动深度学习成功的一个重要部件,却较少人问津。特征池化算法在深度学习框架中,不仅起到提升计算效率的作用,同时能够提升模型的鲁棒性,是深度学习应用在3D点云数据上必不可少的一环。为此
直线电机驱动的多轴运动系统具有结构简单、加速度大、响应速度快、噪音低等特性,被广泛应用于机械制造的轮廓加工。然而,伺服滞后、各伺服轴之间动态特性不匹配、轴间耦合和外部扰动等因素会导致产品加工误差。如何提高多轴运动系统的轮廓跟踪精度一直是控制领域的研究热点。本文以双轴直线电机龙门系统为研究对象,围绕着如何提高运动系统各伺服轴间的协调性,处理不确定、外部扰动和执行器故障的影响等问题,展开了一系列研究。
由于我国高速铁路的不断发展,铁路系统正面临着更大客流,更多车次的严峻挑战。此外,旅客对于铁路出行的需求也不再仅仅是点到点的运送,旅客在旅途中的工作与娱乐需求也必须纳入考虑。这时,当前高速铁路系统所使用的基于第二代移动通信的GSM-R(Globle System for Mobile Communications-Railway)系统则逐渐显得力不从心,因此新一代高速铁路通信系统的研究势在必行。作为
随着人们生活水平的提高,车辆的普及程度越来越高,随之而来的交通事故也越发频繁。据统计,25%~30%的交通事故与驾驶员对道路的警觉程度直接相关,其中并线过程是交通事故的主要发生场合之一,而在非结构化道路,行人及其他非机动车车辆共享道路,驾驶的安全性完全依靠驾驶员的注意力集中度,因此而产生的交通事故也屡见不鲜,这些都给汽车行业的发展带来了巨大的挑战。为解决上述问题,且基于语义分割应有的特性,即具有多
随着互联网的发展,智能教育成为教育发展的迫切需求。学生知识追踪模型能够根据学生的历史学习记录获得习题表征和学生能力表征,追踪学生对知识的掌握情况。智能教育需要准确的学生知识追踪模型。目前,制约学生知识追踪模型效果的两个原因是:(1)习题表征不准确。以知识点为粒度的习题表征难以刻画习题的精确信息;以习题为粒度的表征,由于数据稀疏导致模型参数学习不准确;已有的综合知识点和习题的混合模型采用加性模型进行
深度学习在自然语言处理、图像识别领域的应用日益丰富。近年来,大量的研究涉及了医学影像的自动识别与辅助诊断。医学影像的识别成为了深度学习从计算机领域向医学领域延伸的热点和切入点。利用深度学习进行医疗影像的识别与检测,不仅从很大程度上能够缓解医疗资源的紧张,同时还可以避免人为因素导致的误诊、漏诊现象。尤其是在疾病爆发阶段,在面对大量医学影像时,利用计算机辅助医生进行医学图像的诊断,能够大幅提高诊断效率
近年来,随着科学和信息技术的飞速发展,各类系统的设计复杂度和各部件之间的耦合度也随之增加,系统的脆弱性问题逐渐显现,故障对系统的正常和安全运行造成不可忽视的威胁。为了提高系统对自身故障情况的监测和应对能力,学者们提出了自愈控制的思想。目前自愈控制仍然处于初级发展阶段,并没有学者给出自愈控制的明确定义和研究范畴等基本概念。在学术界对自愈控制理论的研究才刚刚起步,自愈控制理论的研究是滞后于自愈控制的工
人工智能的发展给医疗行业注入了强大的活力,依托人工智能技术的医学辅助诊断系统,可以有效地解决“患多医少”的压力,同时也能减少医学中的误诊现象,减少医患纠纷的发生。将化验单图像内容准确转换成结构化数据是医学辅助诊断系统安全可靠运行的保证,此外患者手上的纸质化验单图像数据也是医疗大数据的重要来源,中文化验单包含了中英文、符号和数字等混排形式的字符,且目前尚缺乏相关的公开数据集,如何将化验单内容准确自动
多能谱CT(Multi-energy Computed Tomography)可以在单次X射线照射下对分离的能量箱中的光子数进行计数,实现不同物质的识别。由于能量箱狭窄,多能谱CT分解后的物质图像往往具有较低的对比度,对低浓度物质的检测非常困难。同时,在CT浓度检测中需要已知质量衰减系数,约束性较高。针对这些问题,本文提出了基于CT值进行浓度检测的两种像素级浓度检测算法,尝试采用深度学习方法进行浓
数字图像广泛应用于新闻传媒、司法鉴定、法庭取证等各个领域,然而随着信息技术的发展,智能手机、相机的普及使得越来越多强大的数字图像编辑器得到开发和使用。更多的用户能够对图像进行自由随意的处理和修改,使得部分恶意用户有了可乘之机,因此图像的真实性和完整性难以保证。图像模糊操作的取证研究通过技术手段揭示图像操作历史,验证图像数据的真实性和完整性。本文基于传统特征方法和深度学习方法进行了模糊操作取证的研究