CN110533229B - 轨道维修时刻预测方法及装置 - Google Patents
轨道维修时刻预测方法及装置 Download PDFInfo
- Publication number
- CN110533229B CN110533229B CN201910743746.4A CN201910743746A CN110533229B CN 110533229 B CN110533229 B CN 110533229B CN 201910743746 A CN201910743746 A CN 201910743746A CN 110533229 B CN110533229 B CN 110533229B
- Authority
- CN
- China
- Prior art keywords
- track
- tqi
- data
- time
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Machines For Laying And Maintaining Railways (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种轨道维修时刻预测方法及装置,该方法包括:根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;利用训练后的轨道维修预测模型,预测轨道维修时刻。本发明可以用于对轨道维修时刻进行预测,准确率高。
Description
技术领域
本发明实施例涉及基础设施领域,尤其涉及一种轨道维修时刻预测方法及装置。
背景技术
目前,轨道质量评价常采用轨道质量指数(TQI)来表示,TQI的计算过程如下:以设定距离的轨道区段作为单元区段(例如200m),分别计算单元区段上水平、左高低、右高低、左轨向、右轨向、三角坑和轨距的轨道几何不平顺幅值的标准差,其中,上述每一项几何不平顺幅值的标准差称为单项标准差,7个单项标准差之和则称为该评价单元区段的轨道平顺性综合质量状态的轨道质量指数(TQI)。TQI已经成为轨道质量评价的成熟且关键的指标之一,并为施工计划提供数据上的支持,作业现场根据TQI的大小来确定区段的质量,并优先维修TQI较大的区段,同时TQI也用于维修后质量改善情况的评估。在轨道质量评价的基础上,如果能够预测后续需要对轨道进行维修的时刻(如维修日期),将有效提高轨道维修的效率和准确率,目前一般靠人工根据TQI进行预测,准确率不高,因此目前缺乏对轨道维修时刻进行预测的有效方法。
发明内容
本发明实施例提出一种轨道维修时刻预测方法,用于对轨道维修时刻进行预测,准确率高,该方法包括:
根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;
从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;
根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;
利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;
利用训练后的轨道维修预测模型,预测轨道维修时刻。
本发明实施例提出一种轨道维修时刻预测装置,用于对轨道维修时刻进行预测,准确率高,该装置包括:
趋势数据获得模块,用于根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;
维修时刻点识别模块,用于从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;
特征向量获得模块,用于根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;
轨道维修预测模型获得模块,用于利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;
预测模块,用于利用训练后的轨道维修预测模型,预测轨道维修时刻。
本发明实施例还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述轨道维修时刻预测方法。
本发明实施例还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述轨道维修时刻预测方法的计算机程序。
在本发明实施例中,根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;上述趋势数据的特征向量是通过TQI随时间变化的趋势数据和轨道维修时刻点构造的,相比人工预测方法,采用该趋势数据的特征向量训练出来的轨道维修预测模型预测的轨道维修时刻的准确率更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中轨道维修时刻预测方法的流程图;
图2为采用现有的毛刺剔除方法的剔除结果示意图;
图3为本发明实施例中毛刺剔除流程;
图4为采用局部距离估计方法的异常点识别情况;
图5为采用改进的隔离森林方法的异常点识别情况;
图6为采用改进的隔离森林方法进行异常点识别时的直线拟合效果;
图7为采用迭代曲线拟合方法进行异常点识别的情况;
图8为本发明实施例中平稳变化的趋势数据的示意图;
图9为本发明实施例中线性增加的趋势数据的示意图;
图10为本发明实施例中前段线性增大后段平稳变化的趋势数据的示意图;
图11为本发明实施例中分段线性增大的趋势数据的示意图;
图12为TCN模型的示意图;
图13为本发明实施例提出的轨道维修时刻预测方法的详细流程图;
图14为轨道维修时刻预测系统获得的轨道波形数据的示意图;
图15为轨道维修时刻预测系统异常点识别的示意图;
图16为轨道维修时刻预测系统得到的沪昆高铁的分类示意图;
图17为本发明实施例中某线路3.8km-4.0km处的TQI数据的示意图;
图18为本发明实施例提出的轨道维修时刻预测装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图1为本发明实施例中轨道维修时刻预测方法的流程图,如图1所示,该方法包括:
步骤101,根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;
步骤102,从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;
步骤103,根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;
步骤104,利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;
步骤105,利用训练后的轨道维修预测模型,预测轨道维修时刻。
在本发明实施例中,根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;上述趋势数据的特征向量是通过TQI随时间变化的趋势数据和轨道维修时刻点构造的,相比人工预测方法,采用该趋势数据的特征向量训练出来的轨道维修预测模型预测的轨道维修时刻的准确率更高。
具体实施时,轨道的一个单元区段一般为200m(或小于200m),轨道各单元区段的TQI随时间变化的趋势数据可以形成一个矩阵。根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据的方法有多种,下面给出其中一个实施例。
在一实施例中,根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据,包括:
根据轨道波形数据,获得轨道各单元区段的TQI数据,所述TQI数据包括TQI值和单项标准差;
将轨道各单元区段的TQI数据按照日期和各单元区段所在里程进行排序,获得轨道各单元区段的TQI随时间变化的趋势数据。
在上述实施例中,可采用如下的滑动TQI公式计算轨道各单元区段的TQI数据:
其中,TQI为TQI值;
σi为第i个单项标准差,i=1,2,...,7;分别代表左高低、右高低、左轨向、右轨向、水平、超高、三角坑这7个单项标准差;
n为采样点个数;
xij为各单元区段中第j个采样点的第i个单项标准差的幅值。
传统的TQI数据为每隔200m计算一次TQI值,而滑动TQI每隔K(K<200)m计算一次TQI值,因此,TQI数据的精度更高。
将轨道各单元区段的TQI数据按照日期和各单元区段所在里程进行排序,获得轨道各单元区段的TQI随时间变化的趋势数据,所述趋势数据可以是行为各单元区段的里程、列为日期的时序矩阵。
在一实施例中,在根据轨道波形数据,获得轨道各单元区段的TQI数据之前,还包括:
对轨道波形数据进行预处理;
根据轨道波形数据,获得轨道各单元区段的TQI数据,包括:
根据预处理后的轨道波形数据,获得轨道各单元区段的TQI数据。
在一实施例中,对轨道波形数据进行预处理,包括:
剔除轨道波形数据中的无效数据;
对剔除无效数据后的轨道波形数据进行里程校正。
在轨道几何动态检测过程中,由于传感器、气候环境、设备结构性缺陷、现场不明因素和数据传输等原因可导致轨道波形数据存在异常值,即无效数据;另外,检测系统标定误差或惯性包漂移等原因使得水平、轨距信号产生基线偏移,影响了计算机自动超限判断,也会导致轨道波形数据存在无效数据,轨道波形数据的可靠性直接影响TQI数据的准确性,故可先对轨道波形数据中的无效数据进行剔除。
由于轨道波形数据的毛刺对TQI数据的影响最为常见,图2为采用现有的毛刺剔除方法的剔除结果示意图,如图2所示,展示了两次毛刺检测的结果,但两次毛刺检测结果差别较大,即现有的毛刺剔除方法的误判率高,且效率低下。
基于此,本发明实施例提出如下一种毛刺剔除方法,图3为本发明实施例中毛刺剔除流程,包括:
步骤301,利用轨道波形数据相邻两点间的变化量识别出每个疑似毛刺区段;
上述步骤301可缩小毛刺数据的范围;
步骤302,计算每个疑似毛刺区段两点间的波形幅值的变化率;
在步骤302中,为提高计算效率,可以用两点间波形幅值的变化量代替波形幅值的变化率;
步骤303,根据设定特征及变化率确定每个疑似毛刺区段毛刺数据的起点和终点。
设定特征可以为:毛刺通常表现为1m-5m内的波形向上凸起或波形向下凸起。很多病害在波形上表现为短距离内急剧增大的区段,容易被误识别毛刺,而误判对以病害识别为目标的波形数据处理有巨大安全隐患,所以应根据上述设定特征避免误判,通常在波形的趋势线上,幅值突然反向增大一定是毛刺,在趋势线上突然正向增大有可能是毛刺,因而毛刺的判别依赖于波形幅值的变化率,以波形幅值的变化率为阈值进行过滤,能有效避免毛刺误判,并提高识别精度与效率。
当然,可以理解的是,除了采用上述本发明实施例提出的方法进行毛刺剔除外,还可以采用其他剔除轨道波形数据中的无效数据的方法,相关变化例均应落入本发明的保护范围。下面列举出几种常见的剔除轨道波形数据中的无效数据的方法。
方法一:道岔辙叉区处异常波形识别;对于固定性辙叉,轨检车通过叉心有害空间时,由于钢轨实际作用边不连续,对于图像测量方法,检测的轨距点和高低点实际是根据有害空间处翼轨计算得出,因此轨距、水平、扭曲和一单侧钢轨高低、轨向波形图出现尖刺。对于GJ-4(G)型轨检车,高低仍采用接触式测量方法,车轮通过有害空间时,由于车轮半径较大,轨检车检测的高低、水平和扭曲不平顺波形连续、正常,但由于其轨距和轨向采用图像测量方法,这时激光点打到翼轨上,单边轨距异常,对于可动心轨道岔,辙叉区不存在有害空间,检测波形正常,通过上述过程可识别出异常波形。
方法二:岔尖轨处异常波形识别;受道岔尖轨处基本轨刨切的影响,检测轨距和一单侧轨向波形会出现异常。某些型号道岔尖轨处轨距设置加宽,对应轨道检测波形的轨距出现较大幅值。通过上述过程可识别出异常波形。
方法三:低速侧向过岔轨向异常波形识别;轨检车低速侧向通过道岔导曲线时,轨向波形异常,这是由于道岔导曲线不设超高,超高通道信号较小,同时导曲线半径一般较小,曲率信号较大,轨道检测时把小半径曲线的部分成分当作轨向输出而造成的。通过上述过程可识别出异常波形。
方法四:小半径曲线轨距异常波形识别;按《铁路技术管理规程》(TG/01—2014)普速铁路部分,半径为245m(含)~295m(不含)的小半径曲线轨距加宽为5mm,半径为195m(含)~245m(不含)的小半径曲线轨距加宽为10mm。检测小半径曲线时,根据测量的曲率自动识别曲线半径,按半径大小考虑扣除加宽量然后再进行超限判断。但由于曲率测量实际上会有误差,对于半径为轨距加宽临界值的曲线,轨检车对轨距的检测数据可能出现误判,如半径为245m的曲线误判为半径245m以下的曲线时,轨距会按加宽10mm处理,被计算机多扣除5mm,容易误判为小轨距,从而得到异常波形。
方法五:孤立超限判断方法;孤立的轨道不平顺尖刺主要是因为图像干扰引起。如单侧钢轨断面检测图像受到干扰,其特征主要表现为轨距、水平、扭曲和单侧高低和轨向同时异常,且对应的加速度信号并无明显反应。通过上述过程可识别出异常波形。
方法六:车体加速度辅助判断方法:一般来讲,幅值较大的轨道不平顺可能引起较大的车体加速度响应,但受列车速度的影响,不同波长的轨道不平顺在不同速度下引起的车体加速度也不尽相同。高低和车体垂向加速度、轨向和车体横向加速度相关性较好,特别是轨道不平顺波长与车体敏感波长一致时,轨道不平顺与车体加速度能一一对应,只是相位不同。因此,可以利用车体加速度辅助识别无效数据。
方法七:阳光干扰异常波形识别;对于采用激光摄像原理的轨道检测系统,当阳光斜照射在轨面上时可能形成镜面反射,引起单侧轨道几何波形异常。
方法八:其它干扰异常波形识别:对于采用激光摄像原理的轨道检测系统,因摄像机挂纸、泥沙、雨雪以及打磨后钢轨特别光亮等均可能引起检测波形异常。
对剔除无效数据后的轨道波形数据进行里程校正,可提高轨道波形数据在里程上的精度。
在一实施例中,在从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点之前,还包括:
剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点。
具体实施时,剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点的方法有多种,下面给出其中几种方法。
在一实施例中,采用如下方法中的其中一种或任意组合剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点:
局部距离估计方法,改进的隔离森林方法,迭代曲线拟合方法。
具体实施时,从某个单元区段的TQI随时间变化的趋势数据中,可以一定程度识别一些离群点。然而,TQI随时间变化的趋势数据在异常点剔除上面临以下特点:
a.由于样本数量最多只有一百多个,从样本统计来看,绝大部分样本不服从或近似服从高斯分布,用基于统计的方法剔除异常点适应性很差,尤其是面对异常点较多或变化严重的区段。
b.异常点种类多样,有的异常点的幅值十倍、百倍于正常点,且数目繁多,严重影响落在正常幅值范围内的异常点的判别。
c.传统模型很难自适应地应用到不同线路的不同单元区段的里程,除非设定自适应阈值。
d.由于维修或微调会导致幅值显著下降,使得随机分布成为多个簇,这样也会干扰异常点的判别,用传统的基于线性拟合的决策规则检测异常点的方法无法应对这种情况。
鉴于上述情况,局部距离估计方法在计算局部距离时,为避免极端异常点影响正常点的局部距离,首先对TQI随时间变化的趋势数据进行归一化处理,将最大值设定为3/4分位数与N×σ之和(N为自定义整数,通常为4,σ为标准差),同时结合局部距离、整体幅值分布以及附近一定时期内的幅值分布作为判别因子进行计算。其中,每个时刻的局部距离定义为该时刻的TQI值与附近M个时刻的TQI值差值的绝对值的平均值,由于某时刻附近有维修时刻或异常点时刻,会干扰该时刻的判别,因而判别时应区分该时刻的左右数据。该时刻左右数据的长度一致时,取该时刻的左右数据中TQI值的最小值,不一致时,取数据长度较长的一侧得出的平均值。
为了调整异常点判断的力度,定义异常点阈值threvalue,当某个点的局部距离大于该异常点阈值时,确定该点为异常点,异常点阈值threvalue的计算公式如下:
threvalue=median(density_list)+std(density_list)×((1-outlier_cut)×10.0-5)/2.5(2)
其中outlier_cut为预定义阈值,dencity_list为某区段不同时刻每个点的局部距离构成的序列,median为中位数,std为标准差。
在异常点判别时,不同的单元区段应定义自适应阈值,确保异常点识别的召回率。图4为采用局部距离估计方法的异常点识别情况,实际值代表实际幅值的连线,预期值代表拟合线,识别效果良好。
鉴别异常点的另一种方法是用改进的隔离森林方法,该方法自提出以来,在工业界得到成熟应用并效果显著,在SVM、协方差估计等常用方法中均能保持良好效果,也能有效处理高维数据和低维数据,所以可以结合业务特点构造特征,为避免边缘日期对应的TQI数据被判别为异常,以及受漏检、数据删除的影响,本应用中运用每个时刻的值y及该时刻附近M个时刻中大小位于区间[y-H,y+H]之间的个数为特征,其中H代表自定义阈值,在对特征进行标准化后采用改进的隔离森林方法进行异常点置信度判别,图5为采用改进的隔离森林方法的异常点识别情况,如图5所示,图中颜色越深,代表该时刻的TQI数据是异常点的概率越大。这种方法能很好的检测边缘异常点,尽管现场维修操作会产生一定程度干扰,但对后续的趋势拟合与分段并未产生影响,图6为采用改进的隔离森林方法进行异常点识别时的直线拟合效果,实际值代表实际幅值的连线,预期值代表拟合线,识别效果良好。
还可以采用迭代曲线拟合方法识别并剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点。迭代曲线拟合方法能准确把握整体趋势,需要根据不同的分布情况,对剔除阈值及迭代步数做出自适应限定,图7为采用迭代曲线拟合方法进行异常点识别的情况,图7中2015年6月6日之前的数据是用来做拟合操作,实际值代表实际幅值的连线,预期值代表拟合线;2015年6月6日之后的点是实际检测出但并未做拟合的点,总体上看识别效果良好。
采用上述三种方法进行综合识别,可达到最好的轨道各单元区段的TQI随时间变化的趋势数据中的异常点识别并剔除效果。
具体实施时,从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点的方法有多种,下面给出其中一个实施例。
在一实施例中,从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点,包括:
在TQI随时间变化的趋势数据中,若一时刻的TQI值或单项标准差小于第一阈值,确定该时刻为异常轨道维修时刻点,剔除该异常轨道维修时刻点;
从剔除异常轨道维修时刻点的TQI随时间变化的趋势数据中,确定任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值;
根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值;
对TQI值随时间变化的趋势数据中的每一时刻,获得该时刻之前的所有时刻对应的TQI值的均值,计算该时刻对应的TQI值与所述均值的差值,在所述差值大于第二阈值时,确定该时刻为轨道维修时刻点。
具体实施时,需要首先确保轨道各单元区段的TQI随时间变化的趋势数据中的异常点已经被剔除,然后,识别并剔除异常轨道维修时刻点。
在一实施例中,采用如下公式,根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值:
thre=maxd-(maxd-mind)×minuslast_cut/1.0 (3)
其中,thre为第二阈值;
maxd为任意两个时刻对应的TQI值的差值中的最大值;
mind为任意两个时刻对应的TQI值的差值中的最小值;
minuslast_cut为自定义的异常点阈值。
具体实施时,维修时刻点可用于对TQI随时间变化的趋势数据进行归类,趋势数据的类别通常至少包括以下几种:平稳变化、线性增加、前段线性增大后段平稳变化、分段线性增大,对每一类的趋势数据进行线性拟合,可计算出每个单元区段的TQI及其单项标准差的恶化速率、年恶化率、TQI值等,其中年恶化率定义为最近一年内TQI值或单项标准差的的斜率。图8为本发明实施例中平稳变化的趋势数据的示意图;图9为本发明实施例中线性增加的趋势数据的示意图;图10为本发明实施例中前段线性增大后段平稳变化的趋势数据的示意图;图11为本发明实施例中分段线性增大的趋势数据的示意图。
在一实施例中,趋势数据的特征向量包括设定频率最高温时序数据、设定频率最低温时序数据和设定频率平均气温时序数据。
在上述实施例中,设定频率可以是日,周,月等时间单位,以周为例,周最高温时序数据是指随时间而变化的温度序列,每个值代表每周的最高温;周最低温时序数据是指随时间而变化的温度序列,每个值代表每周的最低温;周平均气温时序数据是指随时间而变化的温度序列,每个值代表每周的平均温度。当然,可以理解是的,趋势数据的特征向量还可以采用其他形式。
具体实施时,根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量的方法有多种,下面给出其中一个实施例。
在一实施例中,根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量,包括:
按照设定频率对轨道各单元区段的TQI随时间变化的趋势数据进行插值,构造轨道各单元区段的TQI按照设定频率变化的时序数据;
根据轨道维修时刻点,将轨道各单元区段的TQI按照设定频率变化的时序数据分为多组数据;
对每组按照设定频率变化的TQI时序数据,构造各单元区段的设定频率最高温时序数据、设定频率最低温时序数据和设定频率平均气温时序数据。
在上述实施例中,轨道各单元区段的TQI随时间变化的趋势数据可能是以月为频率的TQI数据,设定频率一般比趋势数据中的频率周期小,例如可以是周,即构造轨道各单元区段的TQI按照周变化的时序数据,构造方法可以采用插值方法。然后,根据上述已经确定的轨道维修时刻点,将轨道各单元区段的TQI按照设定频率变化的时序数据分为多组数据,即采用图8-图11的方法将将轨道各单元区段的TQI按照设定频率变化的时序数据分为多个类别,例如前述提到的平稳变化、线性增加、前段线性增大后段平稳变化、分段线性增大等类别,即可形成多组数据;最后对每组按照设定频率变化(例如按照周频率变化)的TQI时序数据,构造各单元区段的设定频率最高温时序数据、设定频率最低温时序数据和设定频率平均气温时序数据。
具体实施时,利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型的方法有多种,下面给出其中一个实施例。
在一实施例中,利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型,包括:
在训练的过程中调整轨道维修预测模型的参数,直至轨道维修预测模型的损失函数满足预设收敛条件,获得训练后的神经网络模型。
在上述实施例中,轨道维修预测模型可以为TCN(Temporal ConvolutionalNetwork,时间卷积网络)模型,图12为TCN模型的示意图,包括输入层、输出层和至少一个隐藏层,在轨道数据处理中发现,最常见的问题是容易过拟合,即线路不同,数据模型则不同,同时在工业大数据方面,研究对象受物理结构等外界影响因素较大,简单的模型无法用在复杂多变的现实场景下,数据量虽然大,但特殊样本的量级较低,很难基于少量的特征或维度识别特殊样本,综上所述,在时序数据预测方面,相对于LSTM(Long Short-Term Memory,长短期记忆网络)模型,TCN模型没有门结构并有较大的记忆能力,并且具备可并行化、视野尺寸可调节、梯度稳定等特点,更适合多种线路环境下的指标预测,因此,本发明实施例采用TCN模型作为轨道维修预测模型。当然,可以理解是,轨道维修预测模型还可以采用其他模型,例如采用TCN模型+DNN(Deep Neural Networks,深度神经网络)模型的结合方式,相关变化例均应落入本发明的保护范围。在训练的过程中,可以运用P100GPU结合多条线路数据进行训练,从而有效提高训练效率与准确率。
具体实施时,利用训练后的轨道维修预测模型,预测轨道维修时刻的方法有多种,下面给出其中一个实施例。
在一实施例中,利用训练后的轨道维修预测模型,预测轨道维修时刻,包括:
利用训练后的轨道维修预测模型,预测未来一段时间内的TQI值和单项标准差;
对未来一段时间内的每一时刻,若该时刻的TQI值大于第一设定超限阈值,或该时刻的单项标准差大于第二超限阈值,确定该时刻为超限时刻;
对未来一段时间内的所有超限时刻进行分析,获得轨道维修时刻。
在上述实施例中,可以按照时间由近及远对超限时刻进行排序,然后分析排序的超限时刻获得轨道维修时刻,从而辅助现场决策。
另外,基于预测的未来一段时间内的TQI值和单项标准差,还可以综合评价各单元区段的状态。
首先根据未来一段时间内的TQI值可以得到年恶化率,那么一年后的TQI值和单项标准差的幅值可以采用如下公式获得:
T=∑wixi (4)
其中,T为各单元区段的状态;
wi为第i个采样点对应的权重;
xi为第i个采样点归一化后的特征量,如归一化后的TQI值的恶化速率。
由于单项标准差过大时也会存在安全风险,在采用公式(4)计算单项标准差的幅值之前,先采用如下公式对单项标准差进行指数函数转换:
式中,为转换后的单项标准差;
x为转换前的单项标准差;
L为自定义的超参数。
基于上述实施例,本发明提出如下一个实施例来说明轨道维修时刻预测方法的详细流程,图13为本发明实施例提出的轨道维修时刻预测方法的详细流程图,如图13所示,在一实施例中,轨道维修时刻预测方法的详细流程包括:
步骤1301,剔除轨道波形数据中的无效数据;
步骤1302,对剔除无效数据后的轨道波形数据进行里程校正;
步骤1303,根据里程校正后的轨道波形数据,获得轨道各单元区段的TQI数据;
步骤1304,将轨道各单元区段的TQI数据按照日期和各单元区段所在里程进行排序,获得轨道各单元区段的TQI随时间变化的趋势数据;
步骤1305,剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点;
步骤1306,在TQI随时间变化的趋势数据中,若一时刻的TQI值或单项标准差小于第一阈值,确定该时刻为异常轨道维修时刻点,剔除该异常轨道维修时刻点;
步骤1307,从剔除异常轨道维修时刻点的TQI随时间变化的趋势数据中,确定任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值;
步骤1308,根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值;
步骤1309,对TQI值随时间变化的趋势数据中的每一时刻,获得该时刻之前的所有时刻对应的TQI值的均值,计算该时刻对应的TQI值与所述均值的差值,在所述差值大于第二阈值时,确定该时刻为轨道维修时刻点;
步骤1310,按照设定频率对轨道各单元区段的TQI随时间变化的趋势数据进行插值,构造轨道各单元区段的TQI按照设定频率变化的时序数据;
步骤1311,根据轨道维修时刻点,将轨道各单元区段的TQI按照设定频率变化的时序数据分为多组数据;
步骤1312,对每组按照设定频率变化的TQI时序数据,构造各单元区段的设定频率最高温时序数据、设定频率最低温时序数据和设定频率平均气温时序数据;
步骤1313,利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;
步骤1314,利用训练后的轨道维修预测模型,预测未来一段时间内的TQI值和单项标准差;
步骤1315,对未来一段时间内的每一时刻,若该时刻的TQI值大于第一设定超限阈值,或该时刻的单项标准差大于第二超限阈值,确定该时刻为超限时刻;
步骤1316,对未来一段时间内的所有超限时刻进行分析,获得轨道维修时刻。
当然,可以理解的是,上述轨道维修时刻预测方法的详细流程还可以有其他变化例,相关变化例均应落入本发明的保护范围。
下面给出一具体实施例,说明本发明实施例给出的方法的具体应用。
基于上述轨道维修时刻预测方法,本实施例实现了一种轨道维修时刻预测系统,图14为轨道维修时刻预测系统获得的轨道波形数据的示意图,首先采用图3中的毛刺剔除方法剔除轨道波形的无效数据,然后对对剔除无效数据后的轨道波形数据进行里程校正;然后采用公式(1)计算轨道各单元区段的TQI数据;将轨道各单元区段的TQI数据按照日期和各单元区段所在里程进行排序,获得轨道各单元区段的TQI随时间变化的趋势数据。
采用局部距离估计方法,改进的隔离森林方法和迭代曲线拟合方法剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点,图15为轨道维修时刻预测系统异常点识别的示意图。
接下来识别轨道异常点,在TQI随时间变化的趋势数据中,若一时刻的TQI值或单项标准差小于第一阈值,确定该时刻为异常轨道维修时刻点,剔除该异常轨道维修时刻点;
从剔除异常轨道维修时刻点的TQI随时间变化的趋势数据中,确定任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值;采用公式(3),根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值;对TQI值随时间变化的趋势数据中的每一时刻,获得该时刻之前的所有时刻对应的TQI值的均值,计算该时刻对应的TQI值与所述均值的差值,在所述差值大于第二阈值时,确定该时刻为轨道维修时刻点。
按照周对轨道各单元区段的TQI随时间变化的趋势数据进行插值,构造轨道各单元区段的TQI按照周变化的时序数据;根据轨道维修时刻点,采用图8-图11的方法将将轨道各单元区段的TQI按照周变化的时序数据分为多个类别,图16为轨道维修时刻预测系统得到的沪昆高铁的分类示意图;对每组按照周变化的TQI时序数据,构造各单元区段的周最高温时序数据、周最低温时序数据和周平均气温时序数据。
利用特征向量训练TCN模型,获得训练后的TCN模型,利用训练后的轨道维修预测模型,预测未来一段时间内的TQI值和单项标准差;图17为本发明实施例中某线路3.8km-4.0km处的TQI数据的示意图,得到未来一年内的平均TQI值为0.207。
对未来一段时间内的每一时刻,若该时刻的TQI值大于第一设定超限阈值,或该时刻的单项标准差大于第二超限阈值,确定该时刻为超限时刻;对未来一段时间内的所有超限时刻进行分析,获得轨道维修时刻。
在本发明实施例提出的方法中,根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;上述趋势数据的特征向量是通过TQI随时间变化的趋势数据和轨道维修时刻点构造的,相比人工预测方法,采用该趋势数据的特征向量训练出来的轨道维修预测模型预测的轨道维修时刻的准确率更高。
另外,本发明实施例采用滑动TQI计算的TQI数据的精度更高。先对轨道波形数据中的无效数据进行剔除,保证了TQI数据的准确性,并提出了一种毛刺剔除方法,能有效避免毛刺误判,并提高识别精度与效率。
基于同样的发明构思,本发明实施例还提供了一种轨道维修时刻预测装置,如下面的实施例所述。由于这些解决问题的原理与轨道维修时刻预测方法相似,因此装置的实施可以参见方法的实施,重复之处不在赘述。
图18为本发明实施例提出的轨道维修时刻预测装置的示意图,如图18所示,该装置包括:
趋势数据获得模块1801,用于根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;
维修时刻点识别模块1802,用于从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;
特征向量获得模块1803,用于根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;
轨道维修预测模型获得模块1804,用于利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;
预测模块1805,用于利用训练后的轨道维修预测模型,预测轨道维修时刻。
在一实施例中,趋势数据获得模块1801具体用于:
根据轨道波形数据,获得轨道各单元区段的TQI数据,所述TQI数据包括TQI值和单项标准差;
将轨道各单元区段的TQI数据按照日期和各单元区段所在里程进行排序,获得轨道各单元区段的TQI随时间变化的趋势数据。
在一实施例中,轨道维修时刻预测装置还包括预处理模块1806,用于:
对轨道波形数据进行预处理;
趋势数据获得模块1801具体用于:
根据预处理后的轨道波形数据,获得轨道各单元区段的TQI数据。
在一实施例中,预处理模块1806具体用于:
剔除轨道波形数据中的无效数据;
对剔除无效数据后的轨道波形数据进行里程校正。
在一实施例中,轨道维修时刻预测装置还包括异常点剔除模块1807,用于:
剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点。
在一实施例中,异常点剔除模块1807具体用于:
采用如下方法中的其中一种或任意组合剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点:
局部距离估计方法,改进的隔离森林方法,迭代曲线拟合方法。
在一实施例中,维修时刻点识别模块1802具体用于:
在TQI随时间变化的趋势数据中,若一时刻的TQI值或单项标准差小于第一阈值,确定该时刻为异常轨道维修时刻点,剔除该异常轨道维修时刻点;
从剔除异常轨道维修时刻点的TQI随时间变化的趋势数据中,确定任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值;
根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值;
对TQI值随时间变化的趋势数据中的每一时刻,获得该时刻之前的所有时刻对应的TQI值的均值,计算该时刻对应的TQI值与所述均值的差值,在所述差值大于第二阈值时,确定该时刻为轨道维修时刻点。
在一实施例中,趋势数据的特征向量包括设定频率最高温时序数据、设定频率最低温时序数据和设定频率平均气温时序数据。
在一实施例中,特征向量获得模块1803具体用于:
按照设定频率对轨道各单元区段的TQI随时间变化的趋势数据进行插值,构造轨道各单元区段的TQI按照设定频率变化的时序数据;
根据轨道维修时刻点,将轨道各单元区段的TQI按照设定频率变化的时序数据分为多组数据;
对每组按照设定频率变化的TQI时序数据,构造各单元区段的设定频率最高温时序数据、设定频率最低温时序数据和设定频率平均气温时序数据。
在一实施例中,轨道维修预测模型获得模块1804具体用于:
在训练的过程中调整轨道维修预测模型的参数,直至轨道维修预测模型的损失函数满足预设收敛条件,获得训练后的神经网络模型。
在一实施例中,预测模块1805具体用于:
利用训练后的轨道维修预测模型,预测未来一段时间内的TQI值和单项标准差;
对未来一段时间内的每一时刻,若该时刻的TQI值大于第一设定超限阈值,或该时刻的单项标准差大于第二超限阈值,确定该时刻为超限时刻;
对未来一段时间内的所有超限时刻进行分析,获得轨道维修时刻。
在本发明实施例提出的轨道维修时刻预测装置中,根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;上述趋势数据的特征向量是通过TQI随时间变化的趋势数据和轨道维修时刻点构造的,相比人工预测方法,采用该趋势数据的特征向量训练出来的轨道维修预测模型预测的轨道维修时刻的准确率更高。
另外,本发明实施例采用滑动TQI计算的TQI数据的精度更高。先对轨道波形数据中的无效数据进行剔除,保证了TQI数据的准确性,并提出了一种毛刺剔除方法,能有效避免毛刺误判,并提高识别精度与效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种轨道维修时刻预测方法,其特征在于,包括:
根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;
从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;
根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;
利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;
利用训练后的轨道维修预测模型,预测轨道维修时刻;
从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点,包括:
在TQI随时间变化的趋势数据中,若一时刻的TQI值或单项标准差小于第一阈值,确定该时刻为异常轨道维修时刻点,剔除该异常轨道维修时刻点;
从剔除异常轨道维修时刻点的TQI随时间变化的趋势数据中,确定任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值;
根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值;
对TQI值随时间变化的趋势数据中的每一时刻,获得该时刻之前的所有时刻对应的TQI值的均值,计算该时刻对应的TQI值与所述均值的差值,在所述差值大于第二阈值时,确定该时刻为轨道维修时刻点;
采用如下公式,根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值:
thre=maxd-(maxd-mind)minuslast_cut/1.0
其中,thre为第二阈值;
maxd为任意两个时刻对应的TQI值的差值中的最大值;
mind为任意两个时刻对应的TQI值的差值中的最小值;
minuslast_cut为自定义的异常点阈值。
2.如权利要求1所述的轨道维修时刻预测方法,其特征在于,根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据,包括:
根据轨道波形数据,获得轨道各单元区段的TQI数据,所述TQI数据包括TQI值和单项标准差;
将轨道各单元区段的TQI数据按照日期和各单元区段所在里程进行排序,获得轨道各单元区段的TQI随时间变化的趋势数据。
3.如权利要求2所述的轨道维修时刻预测方法,其特征在于,在根据轨道波形数据,获得轨道各单元区段的TQI数据之前,还包括:
对轨道波形数据进行预处理;
根据轨道波形数据,获得轨道各单元区段的TQI数据,包括:
根据预处理后的轨道波形数据,获得轨道各单元区段的TQI数据。
4.如权利要求3所述的轨道维修时刻预测方法,其特征在于,对轨道波形数据进行预处理,包括:
剔除轨道波形数据中的无效数据;
对剔除无效数据后的轨道波形数据进行里程校正。
5.如权利要求1所述的轨道维修时刻预测方法,其特征在于,在从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点之前,还包括:
剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点。
6.如权利要求5所述的轨道维修时刻预测方法,其特征在于,采用如下方法中的其中一种或任意组合剔除轨道各单元区段的TQI随时间变化的趋势数据中的异常点:
局部距离估计方法,迭代曲线拟合方法。
7.如权利要求1所述的轨道维修时刻预测方法,其特征在于,趋势数据的特征向量包括设定频率最高温时序数据、设定频率最低温时序数据和设定频率平均气温时序数据。
8.如权利要求7所述的轨道维修时刻预测方法,其特征在于,根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量,包括:
按照设定频率对轨道各单元区段的TQI随时间变化的趋势数据进行插值,构造轨道各单元区段的TQI按照设定频率变化的时序数据;
根据轨道维修时刻点,将轨道各单元区段的TQI按照设定频率变化的时序数据分为多组数据;
对每组按照设定频率变化的TQI时序数据,构造各单元区段的设定频率最高温时序数据、设定频率最低温时序数据和设定频率平均气温时序数据。
9.如权利要求1所述的轨道维修时刻预测方法,其特征在于,利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型,包括:
在训练的过程中调整轨道维修预测模型的参数,直至轨道维修预测模型的损失函数满足预设收敛条件,获得训练后的神经网络模型。
10.如权利要求1所述的轨道维修时刻预测方法,其特征在于,利用训练后的轨道维修预测模型,预测轨道维修时刻,包括:
利用训练后的轨道维修预测模型,预测未来一段时间内的TQI值和单项标准差;
对未来一段时间内的每一时刻,若该时刻的TQI值大于第一设定超限阈值,或该时刻的单项标准差大于第二超限阈值,确定该时刻为超限时刻;
对未来一段时间内的所有超限时刻进行分析,获得轨道维修时刻。
11.一种轨道维修时刻预测装置,其特征在于,包括:
趋势数据获得模块,用于根据轨道波形数据,获得轨道各单元区段的TQI随时间变化的趋势数据;
维修时刻点识别模块,用于从轨道各单元区段的TQI随时间变化的趋势数据中,识别轨道维修时刻点;
特征向量获得模块,用于根据轨道各单元区段的TQI随时间变化的趋势数据和轨道维修时刻点,构造趋势数据的特征向量;
轨道维修预测模型获得模块,用于利用特征向量训练轨道维修预测模型,获得训练后的轨道维修预测模型;
预测模块,用于利用训练后的轨道维修预测模型,预测轨道维修时刻;
维修时刻点识别模块具体用于:
在TQI随时间变化的趋势数据中,若一时刻的TQI值或单项标准差小于第一阈值,确定该时刻为异常轨道维修时刻点,剔除该异常轨道维修时刻点;
从剔除异常轨道维修时刻点的TQI随时间变化的趋势数据中,确定任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值;
根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值;
对TQI值随时间变化的趋势数据中的每一时刻,获得该时刻之前的所有时刻对应的TQI值的均值,计算该时刻对应的TQI值与所述均值的差值,在所述差值大于第二阈值时,确定该时刻为轨道维修时刻点;
其中,采用如下公式,根据任意两个时刻对应的TQI值的差值中的最小值,和任意两个时刻对应的TQI值的差值中的最大值,确定第二阈值:
thre=maxd-(maxd-mind)minuslast_cut/1.0
其中,thre为第二阈值;
maxd为任意两个时刻对应的TQI值的差值中的最大值;
mind为任意两个时刻对应的TQI值的差值中的最小值;
minuslast_cut为自定义的异常点阈值。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10任一项所述方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至10任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743746.4A CN110533229B (zh) | 2019-08-13 | 2019-08-13 | 轨道维修时刻预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743746.4A CN110533229B (zh) | 2019-08-13 | 2019-08-13 | 轨道维修时刻预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533229A CN110533229A (zh) | 2019-12-03 |
CN110533229B true CN110533229B (zh) | 2023-08-08 |
Family
ID=68663042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910743746.4A Active CN110533229B (zh) | 2019-08-13 | 2019-08-13 | 轨道维修时刻预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533229B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
CN111626491B (zh) * | 2020-05-21 | 2023-06-16 | 北京骑胜科技有限公司 | 交通工具的状态预测方法、装置、服务器和存储介质 |
CN112036599A (zh) * | 2020-06-29 | 2020-12-04 | 张玉燕 | 一种利用模糊神经网络预测轨道质量的方法 |
CN111798069A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于机器学习的复杂装备备品备件管理方法及系统 |
CN112033335B (zh) * | 2020-11-05 | 2021-01-26 | 成都中轨轨道设备有限公司 | 一种铁路轨距尺智能化监测预警系统及方法 |
CN112766556B (zh) * | 2021-01-13 | 2022-04-01 | 北京交通大学 | 基于贝叶斯信息准则的铁路轨道历史维修自动识别方法 |
CN113255825A (zh) * | 2021-06-16 | 2021-08-13 | 中国铁道科学研究院集团有限公司 | 一种轨道道床病害识别方法及装置 |
TWI773539B (zh) * | 2021-09-24 | 2022-08-01 | 英業達股份有限公司 | 依據離群值篩選資料以預測測試時間之系統及方法 |
CN115759408B (zh) * | 2022-11-21 | 2024-03-08 | 贵州电网有限责任公司 | 一种输变电设备寿命预测方法、装置、设备及存储介质 |
CN117391262B (zh) * | 2023-12-12 | 2024-03-22 | 中国铁路设计集团有限公司 | 精测精捣作业过程中有砟铁路动态tqi智能预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358339A (zh) * | 2017-06-20 | 2017-11-17 | 西安交通大学 | 一种基于大数据的轨道质量状态评估方法 |
-
2019
- 2019-08-13 CN CN201910743746.4A patent/CN110533229B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358339A (zh) * | 2017-06-20 | 2017-11-17 | 西安交通大学 | 一种基于大数据的轨道质量状态评估方法 |
Non-Patent Citations (1)
Title |
---|
"利用轨道质量指数TQI值合理安排线路养护维修周期的方法研究";许雯;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20160415;第12-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533229A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
CN110197588B (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN106251361B (zh) | 一种钢轨表面缺陷图像自适应分割方法 | |
CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
JP2017187418A (ja) | 磨耗検査装置及び磨耗検査方法 | |
CN111311560B (zh) | 钢轨扣件状态的检测方法及装置 | |
CN110736999B (zh) | 基于激光雷达的铁路道岔检测方法 | |
CN109917213B (zh) | 一种基于降维融合与因子分析的接触网检测故障预警方法 | |
CN109164450B (zh) | 一种基于多普勒雷达数据的下击暴流预测方法 | |
CN111776006B (zh) | 一种列车轴温的预报警方法及装置 | |
CN116227752A (zh) | 一种基于物联网的园区设施管理系统 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN112960014A (zh) | 基于人工智能的轨道交通运行安全在线实时监测预警管理云平台 | |
CN108226890B (zh) | 基于时间向统计的机场异物雷达检测方法 | |
CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN117191305B (zh) | 一种公路桥梁的状态评估方法及系统 | |
CN107331163A (zh) | 一种排队长度计算方法及装置 | |
CN114093171A (zh) | 基于多源数据融合的交通运行状态监测方法及装置 | |
CN114137526A (zh) | 基于标签的车载毫米波雷达多目标检测方法和系统 | |
CN104457644A (zh) | 轨道几何检测数据中非脉冲异常数据的检测方法及装置 | |
CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 | |
CN113569491B (zh) | 一种轮对尺寸检测数据的分析和校正方法及装置 | |
CN114241776B (zh) | 一种基于滚动时间窗口的路段停车次数动态估计方法 | |
AU2021290913B2 (en) | Method for monitoring a railway track and monitoring system for monitoring a railway track | |
CN113343919A (zh) | 钢轨连续等距离擦硌伤的检测方法、装置、及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |