CN112036599A - 一种利用模糊神经网络预测轨道质量的方法 - Google Patents

一种利用模糊神经网络预测轨道质量的方法 Download PDF

Info

Publication number
CN112036599A
CN112036599A CN202010610431.5A CN202010610431A CN112036599A CN 112036599 A CN112036599 A CN 112036599A CN 202010610431 A CN202010610431 A CN 202010610431A CN 112036599 A CN112036599 A CN 112036599A
Authority
CN
China
Prior art keywords
track
layer
fuzzy
fnn
particle
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.)
Granted
Application number
CN202010610431.5A
Other languages
English (en)
Other versions
CN112036599B (zh
Inventor
张玉燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Fangcun Zhiwei Nanjing Technology Co ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010610431.5A priority Critical patent/CN112036599B/zh
Publication of CN112036599A publication Critical patent/CN112036599A/zh
Application granted granted Critical
Publication of CN112036599B publication Critical patent/CN112036599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种利用模糊神经网络预测轨道质量的方法，属于轨道质量预测领域，基于轨道几何不平顺变化特征的研究，借鉴综合因子法的建模思路，实现了对轨道局部不平顺综合因子预测模型的构建，并以某一轨道下行区段为例，利用实际的检测数据对比分析了模型的预测偏差以及对轨道几何超限病害预报的准确性，验证了模型的预测精度。

Description

一种利用模糊神经网络预测轨道质量的方法
技术领域
本发明涉及轨道质量预测领域，尤其涉及一种利用模糊神经网络预测轨道质量的方法。
背景技术
轨道的质量状态直接决定着轨道-车辆系统运行的安全性和舒适性。中国铁路总公司基础设施检测中心每月使用综合检测列车和轨道检查车对全国高速铁路和普速线路的轨道进行动态检测，采集了海量的轨道几何不平顺检测数据。如何用这些检测数据综合评估轨道的质量状态并指导轨道的养护和维修？这是国内外铁路运营管理部门极为关注的问题。
此外，如何根据数据提前预测或安排养护维修计划，也是其中重中之重，对此开发了一种利用模糊神经网络预测轨道质量的方法，来提前预测，将风险消除在摇篮里。
发明内容
本发明为解决上述问题，而提出的一种利用模糊神经网络预测轨道质量的方法。
为了实现上述目的，本发明采用了如下技术方案：
一种利用模糊神经网络预测轨道质量的方法，包括以下步骤：
S1、选择左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并采用模糊语义集合描述轨道集合参数的特征，并评价其权重，其模糊语义集合为全相关(Full，F)，对应的三角模糊数为(0.7，0.8，0.0)；
S2、通过轨检车以200m为一个单元区段，收集左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并从状态维度、时间维度和环境维度，定义了6个影响关键参数的主要因素；
S3、采用FNN进行轨道质量预测，采用4层FNN网络结构，依次为输入层、隐含层、模糊规则层和输出层，其中输入层和输出层的神经元分别代表影响关键参数的主要因素的取值和预测得到的维修时间段；
S4、采用PSO算法对FNN的权重参数进行反复优化，知道解粒子群质量区域稳定，得到的权重组合已经是比较接近最佳组合，然后再使用PSO算法对FNN参数进行进一步优化，直到得到最优的FNN 权重组合为止。
优选地，所述S2中的影响关键参数的主要因素为状态维度：平均故障间隔和事故发生概率，时间维度：新轨道数量和旧轨道数量，环境维度：气候因素和电力负荷(仅针对电网设备)。
优选地，所述S3中FNN包括以下步骤：
A1、输入层：该层中，轨道的影响关键参数的主要因素取值都将作为输入数据，输入到FNN中，xi标识第i个影响因子；
A2、隐含层：该层中的每一个节点都将输入层输入数据的值通过高斯函数进行转化；
Figure RE-GDA0002751293580000021
式中，rij是第i个输入节点数据到本层第j个模糊神经元非线性变换的连接权，dij是控制本层第j个模糊神经元非线性变化范围的参数；
A3、模糊规则层：该层主要依据模糊规则库实现模糊推理，这层的节点成为规则节点，每个节点代表一条模糊规则，其作用是匹配模糊规则，完成模糊“AND”运算，并计算神经元输出对应的每条规则的适应度；
A4、输出层：这一层进行去模糊化操作，计算所有的规则的输出之后，并进行归一化处理；
Figure RE-GDA0002751293580000031
式中，第三层节点和第四层节点间都有一个权重vmn，即：模糊规则amn的权重，这样可以得到一个确切的值F作为输出，F表示预测维修的时间段。
优选地，所述S4中PSO算法包括以下步骤：
B1、随机初始化FNN各个连接权重为一群粒子，并初始化粒子群中各粒子的位置Yi和速度Vi；
B2、初始化邻居拓扑结构；
B3、FNN输入层输入样本因子，对网络进行前向计算，并按照优化函数
Figure RE-GDA0002751293580000032
评价群中所有粒子；
式中，ui为FNN的实际输出对象值，
Figure RE-GDA0002751293580000033
为期望输出对象值，M 为正参数；将当前各粒子的位置记为Pi＝Yi，将粒子邻居中目标值 f(Pi)最优的个体位置记为Li；
B4、每个粒子按照以下公式更新自己的速度和位置；
vij(t+1)＝ωvij(t)+c1r1(pij(t)-yij(t))+c2r2(lij(t)-yij(t))
yij(t+1)＝yij(t)+vij(t+1)j＝1,2,…,D
式中，惯性系数ω用于控制粒子原有速度对新速度的影响，参数 c1和c2为加速因子，分别决定粒子个人历史最优位置和粒子邻居最优位置对新速度的影响，当达到限定的时刻或每个粒子的运动速度趋于 0，粒子群停止运动，所得的位置为最终优化结果；
B5、按照优化函数评价群中所有粒子f(Yi)；
B6、比较群中每个粒子当前目标值f(Yi)与其Pi的目标值f(Pi)，若f(Yi)更优，则Pi＝Yi；
B7、根据邻居结构，比较所有邻居的f(Pi)，选择f(Pi)最优的位置更新Li；
B8、若满足终止条件，输出满意位置Pg及其目标值f(Pg)并停止算法，否则转回B4。
优选地，所述B4中为了防止粒子飞出搜索空间，约定：|Vi|≤Vmax或|Xi|≤Xmax，其中Vmax和Xmax为允许的最大速度和位置。
优选地，所述B4中r1和r2为[0，1]区间上的任意值。
与现有技术相比，本发明提供了一种利用模糊神经网络预测轨道质量的方法，具备以下有益效果：
1.本发明的有益效果是：基于轨道几何不平顺变化特征的研究，借鉴综合因子法的建模思路，实现了对轨道局部不平顺综合因子预测模型的构建，并以某一轨道下行区段为例，利用实际的检测数据对比分析了模型的预测偏差以及对轨道几何超限病害预报的准确性，验证了模型的预测精度。
附图说明
图1为本发明提出的一种利用模糊神经网络预测轨道质量的方法的一具体实施例的系统流程结构图；
图2为本发明提出的一种利用模糊神经网络预测轨道质量的方法的一具体实施例的FNN结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例1：
参考图1-2，一种利用模糊神经网络预测轨道质量的方法，包括以下步骤：
S1、选择左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并采用模糊语义集合描述轨道集合参数的特征，并评价其权重，其模糊语义集合为全相关(Full，F)，对应的三角模糊数为(0.7，0.8，0.0)；
S2、通过轨检车以200m为一个单元区段，收集左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并从状态维度、时间维度和环境维度，定义了6个影响关键参数的主要因素；
S3、采用FNN进行轨道质量预测，采用4层FNN网络结构，依次为输入层、隐含层、模糊规则层和输出层，其中输入层和输出层的神经元分别代表影响关键参数的主要因素的取值和预测得到的维修时间段；
S4、采用PSO算法对FNN的权重参数进行反复优化，知道解粒子群质量区域稳定，得到的权重组合已经是比较接近最佳组合，然后再使用PSO算法对FNN参数进行进一步优化，直到得到最优的FNN 权重组合为止。
进一步，优选地，所述S2中的影响关键参数的主要因素为状态维度：平均故障间隔和事故发生概率，时间维度：新轨道数量和旧轨道数量，环境维度：气候因素和电力负荷(仅针对电网设备)。
进一步，优选地，所述S3中FNN包括以下步骤：
A1、输入层：该层中，轨道的影响关键参数的主要因素取值都将作为输入数据，输入到FNN中，xi标识第i个影响因子；
A2、隐含层：该层中的每一个节点都将输入层输入数据的值通过高斯函数进行转化；
Figure RE-GDA0002751293580000061
式中，rij是第i个输入节点数据到本层第j个模糊神经元非线性变换的连接权，dij是控制本层第j个模糊神经元非线性变化范围的参数；
A3、模糊规则层：该层主要依据模糊规则库实现模糊推理，这层的节点成为规则节点，每个节点代表一条模糊规则，其作用是匹配模糊规则，完成模糊“AND”运算，并计算神经元输出对应的每条规则的适应度；
A4、输出层：这一层进行去模糊化操作，计算所有的规则的输出之后，并进行归一化处理；
Figure RE-GDA0002751293580000071
式中，第三层节点和第四层节点间都有一个权重vmn，即：模糊规则amn的权重，这样可以得到一个确切的值F作为输出，F表示预测维修的时间段。
进一步，优选地，所述S4中PSO算法包括以下步骤：
B1、随机初始化FNN各个连接权重为一群粒子，并初始化粒子群中各粒子的位置Yi和速度Vi；
B2、初始化邻居拓扑结构；
B3、FNN输入层输入样本因子，对网络进行前向计算，并按照优化函数
Figure RE-GDA0002751293580000072
评价群中所有粒子；
式中，ui为FNN的实际输出对象值，
Figure RE-GDA0002751293580000073
为期望输出对象值，M 为正参数；将当前各粒子的位置记为Pi＝Yi，将粒子邻居中目标值 f(Pi)最优的个体位置记为Li；
B4、每个粒子按照以下公式更新自己的速度和位置；
vij(t+1)＝ωvij(t)+c1r1(pij(t)-yij(t))+c2r2(lij(t)-yij(t))
yij(t+1)＝yij(t)+vij(t+1)j＝1,2,…,D
式中，惯性系数ω用于控制粒子原有速度对新速度的影响，参数 c1和c2为加速因子，分别决定粒子个人历史最优位置和粒子邻居最优位置对新速度的影响，当达到限定的时刻或每个粒子的运动速度趋于 0，粒子群停止运动，所得的位置为最终优化结果；
B5、按照优化函数评价群中所有粒子f(Yi)；
B6、比较群中每个粒子当前目标值f(Yi)与其Pi的目标值f(Pi)，若f(Yi)更优，则Pi＝Yi；
B7、根据邻居结构，比较所有邻居的f(Pi)，选择f(Pi)最优的位置更新Li；
B8、若满足终止条件，输出满意位置Pg及其目标值f(Pg)并停止算法，否则转回B4。
进一步，优选地，所述B4中为了防止粒子飞出搜索空间，约定： |Vi|≤Vmax或|Xi|≤Xmax，其中Vmax和Xmax为允许的最大速度和位置。
进一步，优选地，所述B4中r1和r2为[0，1]区间上的任意值。
本发明巡检无人机机巢分布及信息交互方法的一种详细实施例如下所示：
步骤(1)、实验分为两个部分，第一部分采用选取2008年的数据作为数据来源进行预测，见下表1，在第二部分实验中将2009年的数据作为对比数据，从而取得实验结果；
表1-第一部分实验所用数据表
Figure RE-GDA0002751293580000081
Figure RE-GDA0002751293580000091
步骤(2)、将轨道的影响关键参数的主要因素取值都将作为输入数据，输入到FNN中，xi标识第i个影响因子；
步骤(3)、通高斯函数对该层中的每一个节点进行转化；
Figure RE-GDA0002751293580000092
步骤(4)、完成模糊“AND”运算，并计算神经元输出对应的每条规则的适应度；
步骤(5)、进行去模糊化操作，计算所有的规则的输出之后，并进行归一化处理；
Figure RE-GDA0002751293580000093
步骤(6)、将步骤(5)中获取的预测数据与2009年获取的数据进行比对，比对结果如下表2
表2-下行区段2008年数据预测结果同实际检测数据超限处所对比分析
Figure RE-GDA0002751293580000094
Figure RE-GDA0002751293580000101
对比预测超限处所与实际超限处所，预测处所13处，实际处所 8处，其中相同处所7处，漏报率为12.5％；另外，当以0.2mm为容许误差时，在预测超限结果中准确发现存在的超限处所，超限长度为 1米；此时预测超限报告完全包括了实际检测发现的超限处所，漏报率为0％。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种利用模糊神经网络预测轨道质量的方法，其特征在于，包括以下步骤：
S1、选择左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并采用模糊语义集合描述轨道集合参数的特征，并评价其权重，其模糊语义集合为全相关(Full，F)，对应的三角模糊数为(0.7，0.8，0.0)；
S2、通过轨检车以200m为一个单元区段，收集左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并从状态维度、时间维度和环境维度，定义了6个影响关键参数的主要因素；
S3、采用FNN进行轨道质量预测，采用4层FNN网络结构，依次为输入层、隐含层、模糊规则层和输出层，其中输入层和输出层的神经元分别代表影响关键参数的主要因素的取值和预测得到的维修时间段；
S4、采用PSO算法对FNN的权重参数进行反复优化，知道解粒子群质量区域稳定，得到的权重组合已经是比较接近最佳组合，然后再使用PSO算法对FNN参数进行进一步优化，直到得到最优的FNN权重组合为止。
2.根据权利要求1所述的一种利用模糊神经网络预测轨道质量的方法，其特征在于：所述S2中的影响关键参数的主要因素为状态维度：平均故障间隔和事故发生概率，时间维度：新轨道数量和旧轨道数量，环境维度：气候因素和电力负荷(仅针对电网设备)。
3.根据权利要求1所述的一种利用模糊神经网络预测轨道质量的方法，其特征在于：所述S3中FNN包括以下步骤：
A1、输入层：该层中，轨道的影响关键参数的主要因素取值都将作为输入数据，输入到FNN中，xi标识第i个影响因子；
A2、隐含层：该层中的每一个节点都将输入层输入数据的值通过高斯函数进行转化；
Figure RE-FDA0002751293570000021
式中，rij是第i个输入节点数据到本层第j个模糊神经元非线性变换的连接权，dij是控制本层第j个模糊神经元非线性变化范围的参数；
A3、模糊规则层：该层主要依据模糊规则库实现模糊推理，这层的节点成为规则节点，每个节点代表一条模糊规则，其作用是匹配模糊规则，完成模糊“AND”运算，并计算神经元输出对应的每条规则的适应度；
A4、输出层：这一层进行去模糊化操作，计算所有的规则的输出之后，并进行归一化处理；
Figure RE-FDA0002751293570000022
式中，第三层节点和第四层节点间都有一个权重vmn，即：模糊规则amn的权重，这样可以得到一个确切的值F作为输出，F表示预测维修的时间段。
4.根据权利要求1所述的一种利用模糊神经网络预测轨道质量的方法，其特征在于：所述S4中PSO算法包括以下步骤：
B1、随机初始化FNN各个连接权重为一群粒子，并初始化粒子群中各粒子的位置Yi和速度Vi；
B2、初始化邻居拓扑结构；
B3、FNN输入层输入样本因子，对网络进行前向计算，并按照优化函数
Figure RE-FDA0002751293570000031
评价群中所有粒子；
式中，ui为FNN的实际输出对象值，
Figure RE-FDA0002751293570000032
为期望输出对象值，M为正参数；将当前各粒子的位置记为Pi＝Yi，将粒子邻居中目标值f(Pi)最优的个体位置记为Li；
B4、每个粒子按照以下公式更新自己的速度和位置；
vij(t+1)＝ωvij(t)+c1r1(pij(t)-yij(t))+c2r2(lij(t)-yij(t))
yij(t+1)＝yij(t)+vij(t+1)j＝1,2,…,D
式中，惯性系数ω用于控制粒子原有速度对新速度的影响，参数c1和c2为加速因子，分别决定粒子个人历史最优位置和粒子邻居最优位置对新速度的影响，当达到限定的时刻或每个粒子的运动速度趋于0，粒子群停止运动，所得的位置为最终优化结果；
B5、按照优化函数评价群中所有粒子f(Yi)；
B6、比较群中每个粒子当前目标值f(Yi)与其Pi的目标值f(Pi)，若f(Yi)更优，则Pi＝Yi；
B7、根据邻居结构，比较所有邻居的f(Pi)，选择f(Pi)最优的位置更新Li；
B8、若满足终止条件，输出满意位置Pg及其目标值f(Pg)并停止算法，否则转回B4。
5.根据权利要求4所述的一种利用模糊神经网络预测轨道质量的方法，其特征在于：所述B4中为了防止粒子飞出搜索空间，约定：|Vi|≤Vmax或|Xi|≤Xmax，其中Vmax和Xmax为允许的最大速度和位置。
6.根据权利要求4所述的一种利用模糊神经网络预测轨道质量的方法，其特征在于：所述B4中r1和r2为[0，1]区间上的任意值。
CN202010610431.5A 2020-06-29 2020-06-29 一种利用模糊神经网络预测轨道质量的方法 Active CN112036599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010610431.5A CN112036599B (zh) 2020-06-29 2020-06-29 一种利用模糊神经网络预测轨道质量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010610431.5A CN112036599B (zh) 2020-06-29 2020-06-29 一种利用模糊神经网络预测轨道质量的方法

Publications (2)

Publication Number Publication Date
CN112036599A true CN112036599A (zh) 2020-12-04
CN112036599B CN112036599B (zh) 2024-07-09

Family

ID=73579795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010610431.5A Active CN112036599B (zh) 2020-06-29 2020-06-29 一种利用模糊神经网络预测轨道质量的方法

Country Status (1)

Country Link
CN (1) CN112036599B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818998A (zh) * 2022-06-28 2022-07-29 浙江大学 一种无砟轨道基床翻浆冒泥病害状态判别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR102013019072A2 (pt) * 2013-07-25 2015-11-10 Univ São Paulo Usp sistema de identificação de qualidade de vias férreas e de veículos metroferroviários e método de identificação do índice de segurança por estimativa direta das forças de contato entre as rodas do veículo metroferroviário e a via férrea
CN105225007A (zh) * 2015-09-30 2016-01-06 中国民用航空总局第二研究所 一种基于gabp神经网络的扇区运行性能综合检测方法及系统
CN107103394A (zh) * 2017-05-27 2017-08-29 重庆大学 一种基于神经网络的轨道交通实时客流预测方法
CN107264569A (zh) * 2017-06-15 2017-10-20 山东交通职业学院 一种轨道质量状态评定方法及系统
CN109829577A (zh) * 2019-01-17 2019-05-31 北京交通大学 基于深度神经网络结构模型的轨道列车运行状态预测方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR102013019072A2 (pt) * 2013-07-25 2015-11-10 Univ São Paulo Usp sistema de identificação de qualidade de vias férreas e de veículos metroferroviários e método de identificação do índice de segurança por estimativa direta das forças de contato entre as rodas do veículo metroferroviário e a via férrea
CN105225007A (zh) * 2015-09-30 2016-01-06 中国民用航空总局第二研究所 一种基于gabp神经网络的扇区运行性能综合检测方法及系统
CN107103394A (zh) * 2017-05-27 2017-08-29 重庆大学 一种基于神经网络的轨道交通实时客流预测方法
CN107264569A (zh) * 2017-06-15 2017-10-20 山东交通职业学院 一种轨道质量状态评定方法及系统
CN109829577A (zh) * 2019-01-17 2019-05-31 北京交通大学 基于深度神经网络结构模型的轨道列车运行状态预测方法
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818998A (zh) * 2022-06-28 2022-07-29 浙江大学 一种无砟轨道基床翻浆冒泥病害状态判别方法
CN114818998B (zh) * 2022-06-28 2022-09-13 浙江大学 一种无砟轨道基床翻浆冒泥病害状态判别方法

Also Published As

Publication number Publication date
CN112036599B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
Wen et al. Train dispatching management with data-driven approaches: A comprehensive review and appraisal
CN107862864A (zh) 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
Ye et al. Multi-type ant system algorithm for the time dependent vehicle routing problem with time windows
KR101173823B1 (ko) 공동주택의 에너지 사용량 예측 시스템 및 방법
CN110555551A (zh) 一种智慧城市的空气质量大数据管理方法及系统
CN110274609A (zh) 一种基于行程时间预测的实时路径规划方法
CN117671992A (zh) 一种公交车智能调度方法及系统
Chen et al. A Deep Learning Model with Conv‐LSTM Networks for Subway Passenger Congestion Delay Prediction
CN115909729A (zh) 一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统
CN112036599B (zh) 一种利用模糊神经网络预测轨道质量的方法
Chen et al. Optimization of maintenance personnel dispatching strategy in smart grid
CN117804490A (zh) 一种车辆运行路线的综合规划方法及装置
CN114895667A (zh) 一种基于多种群双层优化算法的危险品运输路径规划方法
Eshtehadi et al. A hybrid metaheuristic algorithm for the robust pollution-routing problem
Mutlu et al. COVID-19 transmission risk minimization at public transportation stops using Differential Evolution algorithm
Zhen et al. Train rescheduling model with train delay and passenger impatience time in urban subway network
Mou et al. Predictive model of train delays in a railway system
CN111578961A (zh) 基于领导者海豚群求解不确定条件车辆路径优化算法
Chen et al. Dynamic path optimization in sharing mode to relieve urban traffic congestion
CN115170006B (zh) 发车调度方法、装置、设备和存储介质
Zheng et al. Road traffic risk safety prediction based on BP neural network
Tang et al. A heuristic path planning algorithm for inspection robots
Mei et al. A paradigm of intelligent evacuation route decision for metro station emergence based on social media
CN114021291A (zh) 一种城市轨道交通线网限流方案仿真评价建模方法
CN113869545A (zh) 预测无人驾驶有轨电车的耗电量的方法和系统

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
TA01 Transfer of patent application right

Effective date of registration: 20240607

Address after: Room 203b, building 3, artificial intelligence Industrial Park, 266 Chuangyan Road, Qilin science and Technology Innovation Park, Jiangning District, Nanjing City, Jiangsu Province, 211135

Applicant after: Zhongke Fangcun Zhiwei (Nanjing) Technology Co.,Ltd.

Country or region after: China

Address before: 556600 Tieshan Group 1, Lianshan, Fengcheng Town, Tianzhu County, Qiandongnan Miao and Dong Autonomous Prefecture, Guizhou Province

Applicant before: Zhang Yuyan

Country or region before: China

GR01 Patent grant