CN111310990A - 一种基于改进灰色组合模型的轨道质量预测方法及系统 - Google Patents
一种基于改进灰色组合模型的轨道质量预测方法及系统 Download PDFInfo
- Publication number
- CN111310990A CN111310990A CN202010082842.1A CN202010082842A CN111310990A CN 111310990 A CN111310990 A CN 111310990A CN 202010082842 A CN202010082842 A CN 202010082842A CN 111310990 A CN111310990 A CN 111310990A
- Authority
- CN
- China
- Prior art keywords
- model
- gray
- prediction
- sequence
- improved
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012937 correction Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 18
- 238000013519 translation Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 8
- 239000011159 matrix material Substances 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 7
- 238000011161 development Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于改进灰色组合模型的轨道质量预测方法及系统,其中方法包括原始数据预处理,还包括以下步骤:构造改进非等时距灰色IGM预测模型;利用PSO算法对Elman网络的权值和阈值进行优化,构造PSO‑Elman神经网络校正模型;综合改进非等时距灰色IGM模型、粒子群优化PSO算法和Elman神经网络三者的优势构建IGM‑PSO‑Elman模型本发明提出的基于改进灰色组合模型的轨道质量预测方法及系统,在传统灰色模型的基础上进行改进,引入权系数优化一阶累加生成过程,加入权重矩阵优化模型参数求解,利用积分面积优化差分方程背景值的计算,PSO‑Elman残差校正模型可以降低数据的波动,减小改进非等时距灰色预测残差。
Description
技术领域
本发明涉及轨道交通数据分析预测的技术领域,具体地说是一种基于改进灰色组合模型的轨道质量预测方法及系统。
背景技术
列车运行间隔缩短和行车密度增加,极大地增加了轨道的日常负荷和工务部门维保工作的难度。铁路轨道是列车运行的载体和依托,是影响列车平稳安全运行和乘客舒适程度的重要因素,也是铁路工务养护部门日常维护的焦点所在。因此,研究未来一段时间内轨道状态的预测问题,对于促进轨道安全预警管理水平和运维数字化、智能化的发展具有重要意义。
目前轨道质量预测方法大体可分为传统方法、机器学习方法和基于灰色理论的组合方法。传统方法有指数平滑预测方法;机器学习方法有贝叶斯预测模型,马尔可夫模型,基于BPNN和SVM的方法。基于灰色理论的组合方法如曲建军建立用于预测非线性序列的TITCGM(1,1)-PC灰色模型,韩晋将改进非等间距灰色预测模型与BPNN校正网络相结合的预测方法,马子骥提出改进灰色和Elman神经网络组合预测模型以及灰色和PSVM组合预测模型,冯超提出灰色和WOA-LSSVM组合预测模型。但是,现有的预测模型都有一定缺陷,传统预测模型要求数据具有线性或指数增长规律的特性,用于预测TQI误差较大,机器学习方法受样本数据量限制,若原始数据中出现异常值会产生较大预测偏差。
2018年第06期的《铁道学报》上公开了马子骥、郭帅锋、李元良的《基于改进非等间距灰色模型和PSVM的轨道质量指数预测》的文章,该文章根据轨道不平顺发展的趋势性和随机性,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%。该文章的不足是没有考虑检测时间间隔对一阶累加生成过程的影响,模型参数求解过程没有考虑到检测时间对模型的影响程度不同,同时背景值计算准确度方面有待提升。
发明内容
为了解决上述的技术问题,本发明提出的基于改进灰色组合模型的轨道质量预测方法及系统,在传统灰色模型的基础上进行改进,引入权系数优化一阶累加生成过程,加入权重矩阵优化模型参数求解,利用积分面积优化差分方程背景值的计算,PSO-Elman残差校正模型可以降低数据的波动,减小改进非等时距灰色预测残差。
本发明的第一目的是提供一种基于改进灰色组合模型的轨道质量预测方法,包括原始数据预处理,还包括以下步骤:
步骤1:构造改进非等时距灰色IGM预测模型;
步骤2:利用PSO算法对Elman网络的权值和阈值进行优化,构造PSO-Elman神经网络校正模型;
步骤3:综合改进非等时距灰色IGM模型、粒子群优化PSO算法和Elman神经网络三者的优势构建IGM-PSO-Elman模型。
优选的是,所述原始数据为原始TQI序列X(0),所述原始TQI序列X(0)为非负序列,X(0)=(x(0)(t1),…,x(0)(ti),…,x(0)(tn)),其中,i=1,2,…,n),n表示检测次数,x(0)表示实际检测值,ti表示检测值对应的检测时间。
在上述任一方案中优选的是,所述原始TQI序列X(0)的检测时间是非等间隔的,即Δti=ti-ti-1≠const,其中,const为常数数值。
在上述任一方案中优选的是,所述原始数据预处理包括将所述原始TQI序列X(0)处理成能够使用灰色模型进行预测的数据。
在上述任一方案中优选的是,所述原始数据预处理包括以下子步骤:
步骤02:判断级数比是否落在区间(e-2/(n+1),e2/(n+1))内,其中,e表示自然对数的底数。
在上述任一方案中优选的是,如果判断级数比落在区间(e-2/(n+1),e2/(n+1))内,则运用所述IGM模型建模预测。
在上述任一方案中优选的是,如果判断级数比没有落在区间(e-2/(n+1),e2/(n+1))内,则选取适当常数C对所述原始TQI序列x(0)适当平移,new_X(0)=X(0)+C。
在上述任一方案中优选的是,所述步骤1包括以下子步骤:
步骤11:对所述原始TQI序列x(0)相应的1-AGO序列进行优化;
步骤12:进行背景值优化;
步骤13:进行参数求解优化。
在上述任一方案中优选的是,所述1-AGO序列为
x(1)=(x(1)(t1),…,x(1)(ti),…,x(1)(tn)),
引入权重系数λ,用于适应不同阶段轨道质量指数预测的要求,
x(1)(ti)=x(1)(ti-1)+λΔtix(0)(ti)+(1-λ)Δtix(0)(ti-1),
其中,x(1)(t1)=x(0)(t1),0≤λ≤1。
在上述任一方案中优选的是,所述步骤12包括由优化后的X(1)序列建立灰色微分方程dx(1)(t)/dt+ax(1)(t)=b,在区间[ti-1,ti]对上式进行积分并离散化,得差分方程x(0)(ti)Δti+az(1)(ti)=bΔti,其中,Δti为检测时间间隔,a为用于反映变化趋势的灰色发展系数,b为用于反映数据波动成分的灰色作用量,为差分方程的背景值,经优化后的X(1)序列近似符合指数增长规律,即x(1)(t)=Cedt,
在上述任一方案中优选的是,所述步骤13包括给不同检测时间的数据赋予一个权值μ(1≤μ≤2),定义权值矩阵为
在上述任一方案中优选的是,所述步骤13还包括以模拟绝对误差和最小为目标求解参数a、b和λ,
取x(1)(t1)=x(0)(t1),则灰微分方程的解为
对上式进行还原,得到改进灰色模型初步预测值
在上述任一方案中优选的是,所述步骤2包括以下子步骤:
步骤21:选择输入输出数据组成训练集;
步骤22:设定PSO的各个初始参数并根据原始序列确定Elman神经网络的拓扑结构;
步骤23:计算适应度值,更新粒子位置和速度,所述适应度值为绝对误差值之和;
其中,ω为取值非负的惯性权重,用于调整搜索空间;为粒子j第k次飞行速度的第d维分量;为粒子j第k次飞行位置的第d维分量;pbestjd为粒子j在第d维的个体极值点的位置;gbestd为整个种群在第d维的全局极值点的位置;c1和c2为学习因子,加速寻优速度;r1和r2为两个范围从0到1的随机数。
在上述任一方案中优选的是,所述步骤3包括以下子步骤:
步骤31:检验原始TQI数据的级数比;
步骤32:将所述步骤31得到的数据进行一阶累加生成处理,得到1-AGO序列X(1);
步骤33:将所述1-AGO序列X(1)输入至IGM模型,采用最小二乘法估计参数a和b;
在上述任一方案中优选的是,所述级数比的计算公式为λ(ti)=X(0)(ti-1)/X(0)(ti),其中,i=1,2,…,n。
在上述任一方案中优选的是,所述步骤31还包括判断所述级数比是否落在区间(e-2/(n+1),e2/(n+1))内,如果判断级数比落在区间(e-2/(n+1),e2/(n+1))内,则运用所述IGM模型建模预测;如果判断级数比没有落在区间(e-2/(n+1),e2/(n+1))内,则选取适当常数C对所述原始TQI序列X(0)适当平移,new_X(0)=X(0)+C。
发明的第二目的是提供一种基于改进灰色组合模型的轨道质量预测系统,包括用于进行原始数据预处理的预处理模块,还包括以下模块:
预测模型构造模块:用于构造改进非等时距灰色IGM预测模型;
校正模型构造模块:用于利用PSO算法对Elman网络的权值和阈值进行优化,构造PSO-Elman神经网络校正模型;
最终模型构建模块:用于综合改进非等时距灰色IGM模型、粒子群优化PSO算法和Elman神经网络三者的优势构建IGM-PSO-Elman模型;所述系统采用如第一目的所述的方法实现轨道质量预测。
本发明提出了一种基于改进灰色组合模型的轨道质量预测方法及系统,能很好地反映TQI序列的发展趋势,能有效降低预测误差,提升预测精度,同时预测效率也得到了极大提高。
IGM预测模型是指Improved Gray Model,IGM(1,1)是指一个变量的一阶灰微分方程。
PSO算法是指Particle Swarm Optimization,即粒子群优化算法。
PSO-Elamn神经网络校正模型是用粒子群优化(PSO)算法优化Elman递归神经网络的简称。
Elman神经网络是J.L.Elman提出来的一种典型的局部递归神经网络。
IGM-PSO-Elman模型是三种模型组合的简称。
TQI是指Track Quality Index,即轨道质量指数。
附图说明
图1为按照本发明的基于改进灰色组合模型的轨道质量预测方法的一优选实施例的流程图。
图1A为按照本发明的基于改进灰色组合模型的轨道质量预测方法的如图1所示实施例的原始数据预处理方法流程图。
图1B为按照本发明的基于改进灰色组合模型的轨道质量预测方法的如图1所示实施例的预测模型构造方法流程图。
图1C为按照本发明的基于改进灰色组合模型的轨道质量预测方法的如图1所示实施例的神经网络校正模型构造方法流程图。
图1D为按照本发明的基于改进灰色组合模型的轨道质量预测方法的如图1所示实施例的IGM-PSO-Elman模型构建方法流程图。
图2为按照本发明的基于改进灰色组合模型的轨道质量预测系统的一优选实施例的模块图。
图3为按照本发明的基于改进灰色组合模型的轨道质量预测方法的另一优选实施例的流程图。
图4为按照本发明的基于改进灰色组合模型的轨道质量预测方法的一优选实施例的初步预测值和真实值对比图。
图5为按照本发明的基于改进灰色组合模型的轨道质量预测方法的一优选实施例的最终预测值和真实值对比图。
图6为按照本发明的基于改进灰色组合模型的轨道质量预测方法的一优选实施例的适应度函数变化曲线图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
针对目前现有的轨道质量预测方法所存在的问题和缺点,本发明提出了一种改进灰色组合模型的轨道质量预测方法,该方法能很好地反映TQI序列的发展趋势。在传统灰色预测建模的基础上进行改进,将权重分配系数引入累加生成过程,优化时间间距的权值分配,同时引入权重矩阵求解模型参数,距离预测时间越近的数据赋予更大的权重,预测精度有了较大的提高;利用积分面积优化差分方程背景值的求解,解决了以往借助梯形面积计算带来较大误差的问题;PSO-Elman残差校正模型可以降低数据的波动,减小改进非等时距灰色预测残差。本发明不仅能有效降低预测误差,提升预测精度,同时预测效率也得到了极大提高。
如图1所示,执行步骤100,预处理模块200进行原始数据预处理,将所述原始TQI序列X(0)处理成能够使用灰色模型进行预测的数据。原始数据为原始TQI序列X(0),所述原始TQI序列X(0)为非负序列,X(0)=(x(0)(t1),…,x(0)(ti),…,x(0)(tn)),其中,i=1,2,…,n,n表示检测次数,x(0)表示实际检测值,ti表示检测值对应的检测时间。原始TQI序列X(0)的检测时间是非等间隔的,即Δti=ti-ti-1≠const,其中,const为常数数值。如图1A所示,执行子步骤101,检验原始TQI数据的级数比,执行子步骤102,判断级数比是否落在区间(e-2/(n+1),e2/(n+1))内,其中,e表示自然对数的底数。如果判断级数比落在区间(e-2/(m+1),e2/(n+1))内,则执行步骤103,运用所述IGM模型建模预测。如果判断级数比没有落在区间(e-2/(n+1),e2/(n+1))内,则执行步骤104,选取适当常数C对所述原始TQI序列X(0)适当平移,new_X(0)=X(0)+C。
执行步骤110,预测模型构造模块210构造改进非等时距灰色IGM预测模型。如图1B所示,执行子步骤111,对所述原始TQI序列X(0)相应的1-AGO序列进行优化。1-AGO序列为X(1)=(x(1)(t1),…,x(1)(ti),…,x(1)(tn)),引入权重系数λ(0≤λ≤1),用于适应不同阶段轨道质量指数预测的要求,x(1)(ti)=x(1)(ti-1)+λΔtix(0)(ti)+(1-λ)Δtix(0)(ti-1),其中,x(1)(t1)=x(0)(t1)。执行子步骤112,进行背景值优化。由优化后的X(1)序列建立灰色微分方程dx(1)(t)/dt+ax(1)(t)=b,在区间[ti-1,ti]对上式进行积分并离散化,得差分方程x(0)(ti)Δti+az(1)(ti)=bΔti,其中,Δti为检测时间间隔,a为用于反映变化趋势的灰色发展系数,b为用于反映数据波动成分的灰色作用量,为差分方程的背景值,经优化后的X(1)序列近似符合指数增长规律,即x(1)(t)=Cedt,
执行子步骤113,进行参数求解优化。给不同检测时间的数据赋予一个权值μ(1≤μ≤2),定义权值矩阵为
以模拟绝对误差和最小为目标求解参数a、b和λ,
取x(1)(t1)=x(0)(t1),则灰微分方程的解为
对上式进行还原,得到改进灰色模型初步预测值
执行步骤120,校正模型构造模块220利用PSO算法对Elman网络的权值和阈值进行优化,构造PSO-Elman神经网络校正模型。如图1C所示,执行子步骤121,选择输入输出数据组成训练集。执行子步骤122,设定PSO的各个初始参数并根据原始序列确定Elman神经网络的拓扑结构。执行子步骤123,计算适应度值,更新粒子位置和速度,所述适应度值为绝对误差值之和;
其中,ω为取值非负的惯性权重,用于调整搜索空间;为粒子j第k次飞行速度的第d维分量;为粒子j第k次飞行位置的第d维分量;pbestjd为粒子j在第d维的个体极值点的位置;gbestd为整个种群在第d维的全局极值点的位置;c1和c2为学习因子,加速寻优速度;r1和r2为两个范围从0到1的随机数。
执行步骤130,最终模型构建模块230综合改进非等时距灰色IGM模型、粒子群优化PSO算法和Elman神经网络三者的优势构建IGM-PSO-Elman模型。如图1D所示,执行子步骤131,检验原始TQI数据的级数比。级数比的计算公式为λ(ti)=X(0)(ti-1)/X(0)(ti),其中,i∈(2,3,…,n)。判断所述级数比是否落在区间(e-2/(n+1),e2/(n+1))内,如果判断级数比落在区间(e-2/(n+1),e2/(n+1))内,则运用所述IGM模型建模预测;如果判断级数比没有落在区间(e-2/(n+1),e2/(n+1))内,则选取适当常数C对所述原始TQI序列X(0)适当平移,new_X(0)=X(0)+C。执行子步骤132,将所述步骤131得到的数据进行一阶累加生成处理,得到1-AGO序列X(1)。执行子步骤133,将所述1-AGO序列X(1)输入至IGM模型,采用最小二乘法估计参数a和b。执行子步骤134,利用公式计算TQI初步预测值若原始数据进行了平移操作,则预测值需还原,还原是指如果原始数据加了一个数,后面的预测值需要减去同一个数。也即级数比检验那部分。执行子步骤135,将所述初步预测值与TQI真实值比较得到残差序列δ(ti),并将δ(ti)输入至已经训练好的PSO-Elman残差校正模型中得到残差校正值执行子步骤136,根据所述残差校正伯和所述初步预测值得到最终TQI预测值x(ti),最终TQI预测值x(ti)的计算公式为其中,i=1,2,…,n。
实施例二
本发明提供了一种基于改进灰色组合模型的轨道质量预测方法,与现有的技术相比,具备以下明显的优势和有益效果:
(1)在传统灰色预测建模的基础上进行改进,将权重分配系数引入累加生成过程,优化时间间距的权值分配,同时引入权重矩阵求解模型参数,距离预测时间越近的数据赋予更大的权重,预测精度有了较大的提高。
(2)利用积分面积优化差分方程背景值的求解,解决了以往借助梯形面积计算带来较大误差的问题,降低了模型的预测误差,增强预测结果的可靠性。
(3)TQI序列属于时间序列而且具有发展趋势成分和随机波动成分,利用改进非等时距灰色模型预测TQI序列的趋势成分,PSO-Elman校正网络对改进非等时距灰色预测的误差进行修正,弥补单一预测模型固有的缺陷。
记原始TQI序列X(0)为非负序列,
X(0)=(x(0)(t1),…,x(0)(ti),…,x(0)(tn)),一般地,原始序列的检测时间是非等间隔的,即Δti=ti-ti-1≠const,i=1,2,…,n。
选取提速干线沪昆线上行K226.0~K226.2轨道区段的TQI数据对IGM-PSO-Elman组合预测模型进行验证,并与已有的方法进行对比。采用如下参数作为评价指标:平均相对误差(Mean Relative Error,MRE)、均方根误差(Root Mean Square Error,RMSE)、决定系数(R2)、相关系数(r)。
如图3所示方法流程如下:
步骤1:原始数据预处理,将其处理成可以使用灰色模型进行预测的数据;
步骤1.1:检验原始TQI数据的级数比;
式中:i=1,2,…,n。
原始数据为
X(0)={4.115,4.966,4.823,5.549,5.367,5.410,5.085,5.437,5.091,5.052,4.800,4.477,5.540,5.396,5.431,5.702,5.651},n=19。预测后续7个数据。
步骤1.2:若级数比落在区间(e-2/(n+1),e2/(n+1))内,则运用IGM(1,1)灰色建模预测。否则,应进行适当处理。如选取适当常数C对原始TQI序列X(0)适当平移
new_X(0)=X(0)+C
经检验,级数比不在范围内,取C=10即可满足使用条件。
步骤2:构造改进非等时距灰色IGM(1,1)预测模型;
步骤2.1:1-AGO序列优化
X(0)序列相应的1-AGO序列为X(1)=(x(1)(t1),…,x(1)(ti),…,x(1)(tn)),
其中,x(1)(ti)=x(1)(ti-1)+Δtix(0)(ti),令Δti=1。
由Δti的定义可知,将权值完全赋予x(0)(ti)并不十分合理,故本文引入权重系数λ(0≤λ≤1),在灰色模型中引入权重系数之后,可以灵活地控制TQI序列各部分时间间距的影响程度,从而使模型更好地适应不同阶段轨道质量指数预测的要求。
x(1)(ti)=x(1)(ti-1)+λΔtix(0)(ti)+(1-λ)Δtix(0)(ti-1)
式中:x(1)(t1)=x(0)(t1),i=1,2,…,n。
步骤2.2:背景值优化
由优化后的x(1)序列建立灰色微分方程dx(1)(t)/dt+ax(1)(t)=b,在区间[ti-1,ti]对上式进行积分并离散化,得差分方程
x(0)(ti)Δti+az(1)(ti)=bΔti
步骤2.3:参数求解优化
已知一个数列,每个数据对模型的贡献程度不一,此时需要给不同检测时间的数据赋予一个权值μ(1≤μ≤2),定义权值矩阵为
在本实施例中,μ=1.5。
以模拟绝对误差和最小为目标求解参数a、b和λ。
取x(1)(t1)=x(0)(t1),则灰微分方程的解为
对上式进行还原,得到改进灰色模型初步预测值
步骤3:利用PSO算法对Elman网络的权值和阈值进行优化,构造PSO-Elman神经网络校正模型;
步骤3.1:选择输入输出数据组成训练集;
步骤3.2:设定PSO的各个初始参数并根据原始序列确定Elman神经网络的拓扑结构;
步骤3.3:计算适应度值(绝对误差值之和),更新粒子位置和速度;
式中:ω为取值非负的惯性权重,用于调整搜索空间;为粒子j第k次飞行速度的第d维分量;为粒子j第k次飞行位置的第d维分量;pbestjd为粒子j在第d维的个体极值点的位置;gbestd为整个种群在第d维的全局极值点的位置;c1和c2为学习因子,加速寻优速度;r1和r2为两个范围从0到1的随机数。
步骤4:综合改进非等时距灰色IGM(1,1)模型、粒子群优化PSO算法和Elman神经网络三者的优势构建,一种基于改进灰色组合模型的轨道质量预测方法,即IGM-PSO-Elman模型。组合模型的主要步骤如下:
步骤4.1:检验原始TQI数据的级数比;
λ(ti)=X(0)(ti-1)/X(0)(ti)
式中:i=1,2,…,n。若级数比落在区间(e-2/(n+1),e2/(n+1))内,则运用IGM(1,1)灰色建模预测。否则,应进行适当处理。如选取适当常数C对原始TQI序列X(0)适当平移
new_X(0)=X(0)+C。
步骤4.2:将步骤4.1处理之后的数据进行一阶累加生成处理,得到1-AGO序列X(1);
步骤4.3:将步骤4.2中的X(1)输入至IGM(1,1)模型,最小二乘法估计参数a和b;
式中:i=1,2,…,n。
本发明提供了一种基于改进灰色组合模型的轨道质量预测方法,与现有的技术相比,具备以下明显的优势和有益效果:
(1)在传统灰色预测建模的基础上进行改进,将权重分配系数引入累加生成过程,优化时间间距的权值分配,同时引入权重矩阵求解模型参数,距离预测时间越近的数据赋予更大的权重,预测精度有了较大的提高。
(2)利用积分面积优化差分方程背景值的求解,解决了以往借助梯形面积计算带来较大误差的问题,降低了模型的预测误差,增强预测结果的可靠性。
(3)TQI序列属于时间序列而且具有发展趋势成分和随机波动成分,利用改进非等时距灰色模型预测TQI序列的趋势成分,PSO-Elman校正网络对改进非等时距灰色预测的误差进行修正,弥补单一预测模型固有的缺陷。
实施例三
如图5所示,单一的灰色模型虽然有较好的线性变化趋势,但其与实际测量值的误差比较大,若轨道维修部门参考其预测值安排维修任务,无法有针对性地进行轨道养护作业。利用PSO-Elman模型进行残差校正,从图中可看出最终预测结果误差低于初步预测模型。
实施例四
如图6所示的是种群适应度曲线,当迭代次数为128时,粒子群逐渐收敛,此时对粒子进行解码获得最优的网络的初始权值和初始阈值,训练并得到最佳的PSO-Elman校正网络,并利用训练好的校正网络对TQI初步预测值进行残差校正。
表1和附表2分别为本文方法与其他方法的预测结果对比与评价指标对比。结果表明,TITCGM-PC(1,1)模型拟合预测原始TQI序列,MRE为5.46%,RMSE为0.430,预测误差较大;GM-BP模型由于初始权值和初始阈值的影响,总体的预测效果不太理想,RMSE仍然较高;GM-GA-Elman模型预测的RMSE为0.151,预测结果较好。IGM-PSO-Elman通过改进非等时距灰色模型并兼顾PSO收敛速度快、保证全局最优以及Elman递归神经网络动态处理时间序列的优势,较好地拟合了TQI原始训练数据,使预测值更接近真实值,评价指标均优于其他方法。
表1 K226.0~K226.2轨道区段预测结果对比
表2 K226.0~K226.2轨道区段预测评价指标对比
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种基于改进灰色组合模型的轨道质量预测方法,包括原始数据预处理,其特征在于,还包括以下步骤:
步骤1:构造改进非等时距灰色IGM预测模型;
步骤2:利用PSO算法对Elman网络的权值和阈值进行优化,构造PSO-Elman神经网络校正模型;
步骤3:综合改进非等时距灰色IGM模型、粒子群优化PSO算法和Elman神经网络三者的优势构建IGM-PSO-Elman模型。
2.如权利要求1所述的基于改进灰色组合模型的轨道质量预测方法,其特征在于,所述原始数据为原始TQI序列X(0),所述原始TQI序列X(0)为非负序列,X(0)=(x(0)(t1),…,x(0)(ti),…,x(0)(tn)),其中,i=1,2,…,n,n表示检测次数,x(0)表示实际检测值,ti表示检测值对应的检测时间。
3.如权利要求2所述的基于改进灰色组合模型的轨道质量预测方法,其特征在于,所述原始TQI序列X(0)的检测时间是非等间隔的,即Δti=ti-ti-1≠const,其中,const为常数数值。
4.如权利要求3所述的基于改进灰色组合模型的轨道质量预测方法,其特征在于,所述原始数据预处理包括将所述原始TQI序列X(0)处理成能够使用灰色模型进行预测的数据。
6.如权利要求5所述的基于改进灰色组合模型的轨道质量预测方法,其特征在于,如果判断级数比落在区间(e-2/(n+1),e2/(n+1))内,则运用所述IGM模型建模预测。
7.如权利要求5所述的基于改进灰色组合模型的轨道质量预测方法,其特征在于,如果判断级数比没有落在区间(e-2/(n+1),e2/(n+1))内,则选取适当常数C对所述原始TQI序列X(0)适当平移,
new_X(0)=X(0)+C。
8.如权利要求3所述的基于改进灰色组合模型的轨道质量预测方法,其特征在于,所述步骤1包括以下子步骤:
步骤11:对所述原始TQI序列X(0)相应的1-AGO序列进行优化;
步骤12:进行背景值优化;
步骤13:进行参数求解优化。
9.如权利要求8所述的基于改进灰色组合模型的轨道质量预测方法,其特征在于,所述1-AGO序列为
X(1)=(x(1)(t1),…,x(1)(ti),…,x(1)(tn)),
引入权重系数λ,用于适应不同阶段轨道质量指数预测的要求,
x(1)(ti)=x(1)(ti-1)+λΔtix(0)(ti)+(1-λ)Δtix(0)(ti-1),
其中,x(1)(t1)=x(0)(t1),0≤λ≤1。
10.一种基于改进灰色组合模型的轨道质量预测系统,包括用于进行原始数据预处理的预处理模块,其特征在于,还包括以下模块:
预测模型构造模块:用于构造改进非等时距灰色IGM预测模型;
校正模型构造模块:用于利用PSO算法对Elman网络的权值和阈值进行优化,构造PSO-Elman神经网络校正模型;
最终模型构建模块:用于综合改进非等时距灰色IGM模型、粒子群优化PSO算法和Elman神经网络三者的优势构建IGM-PSO-Elman模型;
所述系统采用如权利要求1所述的方法实现轨道质量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010082842.1A CN111310990A (zh) | 2020-02-07 | 2020-02-07 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010082842.1A CN111310990A (zh) | 2020-02-07 | 2020-02-07 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310990A true CN111310990A (zh) | 2020-06-19 |
Family
ID=71144978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010082842.1A Pending CN111310990A (zh) | 2020-02-07 | 2020-02-07 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310990A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257283A (zh) * | 2020-10-30 | 2021-01-22 | 中国矿业大学 | 基于背景值和结构相容性组合优化的灰色预测模型方法 |
CN113312715A (zh) * | 2021-05-10 | 2021-08-27 | 暨南大学 | 一种有轨电车槽型轨扭曲不平顺预测方法 |
CN113326975A (zh) * | 2021-05-07 | 2021-08-31 | 暨南大学 | 基于随机振荡序列灰色模型的轨道不平顺的超高预测方法 |
CN116070153A (zh) * | 2023-03-06 | 2023-05-05 | 四川省华盾防务科技股份有限公司 | 相控阵t/r组件故障参数的预测方法、装置、设备和介质 |
CN117333201A (zh) * | 2023-11-28 | 2024-01-02 | 山东恒信科技发展有限公司 | 一种原料油原料溯源管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991493A (zh) * | 2017-03-17 | 2017-07-28 | 浙江工商大学 | 基于灰色神经网络组合模型的污水处理出水参数预测方法 |
CN107146013A (zh) * | 2017-04-28 | 2017-09-08 | 国网北京市电力公司 | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 |
CN109447433A (zh) * | 2018-10-16 | 2019-03-08 | 国网四川省电力公司乐山供电公司 | 一种改进的灰色模型预测方法 |
CN110533229A (zh) * | 2019-08-13 | 2019-12-03 | 中国铁路总公司 | 轨道维修时刻预测方法及装置 |
-
2020
- 2020-02-07 CN CN202010082842.1A patent/CN111310990A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991493A (zh) * | 2017-03-17 | 2017-07-28 | 浙江工商大学 | 基于灰色神经网络组合模型的污水处理出水参数预测方法 |
CN107146013A (zh) * | 2017-04-28 | 2017-09-08 | 国网北京市电力公司 | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 |
CN109447433A (zh) * | 2018-10-16 | 2019-03-08 | 国网四川省电力公司乐山供电公司 | 一种改进的灰色模型预测方法 |
CN110533229A (zh) * | 2019-08-13 | 2019-12-03 | 中国铁路总公司 | 轨道维修时刻预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
丁松: "灰色预测模型优化及其应用研究", 《中国博士学位论文全文数据库基础科学辑》 * |
邹丹: "基于关联规则的PSO-Elman短期风速预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
马子骥等: "基于非等间距灰色模型和Elman神经网络的轨道质量预测", 《哈尔滨工业大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257283A (zh) * | 2020-10-30 | 2021-01-22 | 中国矿业大学 | 基于背景值和结构相容性组合优化的灰色预测模型方法 |
CN113326975A (zh) * | 2021-05-07 | 2021-08-31 | 暨南大学 | 基于随机振荡序列灰色模型的轨道不平顺的超高预测方法 |
CN113326975B (zh) * | 2021-05-07 | 2022-07-22 | 暨南大学 | 基于随机振荡序列灰色模型的轨道不平顺的超高预测方法 |
CN113312715A (zh) * | 2021-05-10 | 2021-08-27 | 暨南大学 | 一种有轨电车槽型轨扭曲不平顺预测方法 |
CN116070153A (zh) * | 2023-03-06 | 2023-05-05 | 四川省华盾防务科技股份有限公司 | 相控阵t/r组件故障参数的预测方法、装置、设备和介质 |
CN117333201A (zh) * | 2023-11-28 | 2024-01-02 | 山东恒信科技发展有限公司 | 一种原料油原料溯源管理方法及系统 |
CN117333201B (zh) * | 2023-11-28 | 2024-02-23 | 山东恒信科技发展有限公司 | 一种原料油原料溯源管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310990A (zh) | 一种基于改进灰色组合模型的轨道质量预测方法及系统 | |
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN108229754B (zh) | 基于相似日分段和lm-bp网络的短期负荷预测方法 | |
CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN111541237B (zh) | 基于机会约束极限学习机的风电功率非参数区间预测方法 | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN107944612B (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
CN109376892B (zh) | 一种基于设备所处生命周期阶段的设备状态预测方法 | |
CN113554148A (zh) | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN113111572A (zh) | 航空发动机剩余寿命预测方法及系统 | |
CN115329669A (zh) | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 | |
CN111932081B (zh) | 一种电力信息系统运行状态评估方法及系统 | |
CN112001531B (zh) | 基于有效载荷能力的风电短期运行容量可信度评估方法 | |
CN112861418A (zh) | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 | |
CN112858644A (zh) | 混凝土碳化深度预测方法及预测系统 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN116613745A (zh) | 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
CN111080000A (zh) | 基于psr-dbn的超短期母线负荷预测方法 | |
CN115952888A (zh) | 基于多变量灰色模型的能源碳排放预测方法及系统 | |
CN114880067A (zh) | 一种基于容器负载预测的容器调度策略 |
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 |