CN112700037A - 一种高速铁路接触网异物缺陷数预测方法及预测装置 - Google Patents
一种高速铁路接触网异物缺陷数预测方法及预测装置 Download PDFInfo
- Publication number
- CN112700037A CN112700037A CN202011582951.6A CN202011582951A CN112700037A CN 112700037 A CN112700037 A CN 112700037A CN 202011582951 A CN202011582951 A CN 202011582951A CN 112700037 A CN112700037 A CN 112700037A
- Authority
- CN
- China
- Prior art keywords
- model
- prophet
- arima
- foreign body
- fitting
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 28
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Abstract
本发明公开了一种高速铁路接触网异物缺陷数预测方法,包括如下步骤:获取铁路异物缺陷数据,将其拆分为训练集与测试集;获取到的训练集经过数据清洗后,输入到prophet模型,以最小化误差项为目标,得到优化后的prophet模型;将获取到的训练集,经过数据清洗、对数化后输入到ARIMA模型,通过平稳性ADF检验,以及AIC检验得到d、p、q三个模型参数;根据得到的prophet模型结果与ARIMA模型结果进行加权融合,得到融合模型,根据融合模型得到高速铁路接触网异物缺陷数。通过本发明可有效利用各铁路局历史异物缺陷数据,分析挖掘异物缺陷的季节性因素特征及波动增长性情况。
Description
技术领域
本发明涉及高速铁路领域,具体是一种高速铁路接触网异物缺陷数预测方法及预测装置。
背景技术
随着中国经济的快速发展,铁路交通成为国民经济发展的重要基础,而电气化铁路是未来铁路发展的方向。接触网是电气化铁路系统中最重要的组成部分,为确保其健康运行,而采用的缺陷检修工作十分重要。同时由于接触网常年曝露在自然环境中,考虑到没有多余的备用设备、以及接触网的机械和电气性能,一旦接触网出现任何微小的故障都将会影响列车的运行,对繁忙的铁路网干线将产生巨大的经济损失。
现实中,由于风力因素等作用会将诸如塑料袋,反光膜等物体刮到铁路接触网上,会严重影响列车的安全运行。故需要对铁路沿线的接触网进行不定期的人工巡检,但实际中存在一些问题:现实中对铁路接触网异物的清理过度依赖人力的定期(月度)检查,在无法预估异物缺陷数量情况下,会造成检修人力资源的浪费。
发明内容
本发明的目的在于克服现有技术的不足,提供一种高速铁路接触网异物缺陷数预测方法,包括如下步骤:
步骤一,获取铁路异物缺陷数据,将其拆分为训练集与测试集;
步骤二,获取到的训练集经过数据清洗后,输入到prophet模型,以最小化误差项为目标,得到优化后的prophet模型;
步骤三,将获取到的训练集,经过数据清洗、对数化后输入到ARIMA模型,通过平稳性ADF检验,以及AIC检验得到d、p、q三个模型参数;
步骤四,根据得到的prophet模型结果与ARIMA模型结果进行加权融合,得到融合模型,根据融合模型得到高速铁路接触网异物缺陷数。
进一步的,所述的最小化误差项为真实值与拟合值的差值;所述的拟合值为:训练集中的历史时间段内每段时间段内异物缺陷数量的拟合值。
进一步的,所述的prophet模型为:
y(t)=g(t)+s(t)+h(t)+εt
其中g(t)是时间序列中的趋势项,s(t)是时间序列中的周期项,h(t)是节假日效应,εt代表模型误差项
进一步的,所述的ARIMA模型的表达式为:
其中L是滞后算子,d为大于0的正整数,p和q是模型的自回归阶数和移动平均阶数;εt是白噪声;Xt是平稳、正态、零均值的时间序列。
进一步的,步骤四得到的融合模型的融合方式为:
权重为:
WARIMA=2-Wprophet
dprophet=stdsample-stdprophet
dARIMA=stdsample-stdARIMA
其中,Vm是最终模型拟合得到的异物数值;Vprophet是prophet模型计算拟合所得的数值;Wprophet是融合加权中prophet拟合值所占的比重;VARIMA是ARIMA模型计算拟合所得的数值;WARIMA是融合加权中ARIMA拟合值所占的比重;stdsample为样本的标准差;stdprophet为prophet模型预测结果的标准差;stdARIMA为ARIMA模型预测结果的标准差。
一种高速铁路接触网异物缺陷数预测装置,包括数据接收装置、存储器、处理器、数据接口、显示模块;所述的数据接收装置、存储器、数据接口分别与所述的处理器连接;所述的显示模块与所述的数据接口连接;
所述的数据接收装置用于接收异物缺陷数据;
存储器,用于存储计算机程序及铁路局历史各月度的异物缺陷数据,以及最近月份异物缺陷数据;
处理器,用于执行所述的计算机程序方法,以实现高速铁路接触网异物缺陷数预测装置;
对外服务:计算结果对外提供接口服务;
显示模块:在终端设备和用户之间提供一个显示界面,显示拟合效果及预测结果包含,视频、文字和图像等。
本发明的有益效果是:可有效利用各铁路局历史异物缺陷数据,分析挖掘异物缺陷的季节性因素特征及波动增长性情况。
使用prophet模型与ARIMA模型相融合后的模型可充分挖掘数据中的线性因素与非线性因素,进而可提高模型预测的精确性与稳健性。
附图说明
图1为一种高速铁路接触网异物缺陷数预测方法的原理图;
图2为一种高速铁路接触网异物缺陷数预测方法的的流程示意图;
图3为一种高速铁路接触网异物缺陷数预测装置的原理图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种高速铁路接触网异物缺陷数预测方法,其特征在于,包括如下步骤:
步骤一,获取铁路异物缺陷数据,将其拆分为训练集与测试集;
步骤二,获取到的训练集经过数据清洗后,输入到prophet模型,以最小化误差项为目标,得到优化后的prophet模型;
步骤三,将获取到的训练集,经过数据清洗、对数化后输入到ARIMA模型,通过平稳性ADF检验,以及AIC检验得到d、p、q三个模型参数;
步骤四,根据得到的prophet模型结果与ARIMA模型结果进行加权融合,得到融合模型,根据融合模型得到高速铁路接触网异物缺陷数。
最小化误差项为真实值与拟合值的差值;所述的拟合值为:训练集中的历史时间段内每段时间段内异物缺陷数量的拟合值。其中的时间段以自然月为单位,或者其它设定的时间段。
prophet模型为:
y(t)=g(t)+s(t)+h(t)+εt
其中g(t)是时间序列中的趋势项,s(t)是时间序列中的周期项,h(t)是节假日效应,εt代表模型误差项
的ARIMA模型的表达式为:
其中L是滞后算子,d为大于0的正整数,p和q是模型的自回归阶数和移动平均阶数;εt是白噪声;Xt是平稳、正态、零均值的时间序列。
融合模型的融合方式为:
权重为:
WARIMA=2-Wprophet
dprophet=stdsample-stdprophet
dARIMA=stdsample-stdARIMA
其中,Vm是最终模型拟合得到的异物数值;Vprophet是prophet模型计算拟合所得的数值;Wprophet是融合加权中prophet拟合值所占的比重;VARIMA是ARIMA模型计算拟合所得的数值;WARIMA是融合加权中ARIMA拟合值所占的比重;stdsample为样本的标准差;stdprophet为prophet模型预测结果的标准差;stdARIMA为ARIMA模型预测结果的标准差。
如图3所示的一种高速铁路接触网异物缺陷数预测装置,包括数据接收装置、存储器、处理器、数据接口、显示模块;所述的数据接收装置、存储器、数据接口分别与所述的处理器连接;所述的显示模块与所述的数据接口连接;
所述的数据接收装置用于接收异物缺陷数据;
存储器,用于存储计算机程序及铁路局历史各月度的异物缺陷数据,以及最近月份异物缺陷数据;
处理器,用于执行所述的计算机程序方法,以实现高速铁路接触网异物缺陷数预测装置;
对外服务:计算结果对外提供接口服务;
显示模块:在终端设备和用户之间提供一个显示界面,显示拟合效果及预测结果包含,视频、文字和图像等。
具体的:
(1)从历史月份的异物缺陷数据中,选择任一缺陷数据,将其拆分为训练集与测试集。
(2)将上述(1)获取到的训练集经过数据清洗后,输入到prophet模型,以最小化误差项(真实值与拟合值差)为目标,调整得到合适的prophet模型,其中拟合值为训练集中的历史时间段内每月异物缺陷数量的拟合值。
(3)其中(2)所描述的prophet模型表达式为:
y(t)=g(t)+s(t)+h(t)+εt
其中g(t)是时间序列中的趋势项,s(t)是时间序列中的周期项,h(t)是节假日效应,εt代表模型误差项,用来反应未在模型中体现的异常变动。
(4)再将上述(1)中获取到的训练集,经过数据清洗、对数化后输入到ARIMA模型,通过平稳性ADF检验,以及赤池信息准则(AIC检验)得到(d,p,q)三个模型参数,同样拟合值为训练集中的历史时间段内每月异物缺陷数量的拟合值。
(5)上述(4)中所述的ARIMA模型(差分整合移动平均自回归模型)表达式为:
其中L是滞后算子,d为大于0的正整数,p和q是模型的自回归阶数和移动平均阶数;εt是白噪声;Xt是平稳、正态、零均值的时间序列。
(6)将上述(2)和(4)中在训练集所得到的prophet模型结果与ARIMA模型结果进行加权融合,具体的融合方式为:
由于每个铁路局的样本数据情况不同,在不同铁路局样本的异物数量预测任务中prophet模型与ARIMA模型各自的权重也有所不同,这里将采用标准差衡量的方法对模型权重进行确定,权重公式为:
WARIMA=2-Wprophet
dprophet=stdsample-stdprophet
dARIMA=stdsample-stdARIMA
其中,Vm是最终模型拟合得到的异物数值;Vprophet是prophet模型计算拟合所得的数值;Wprophet是融合加权中prophet拟合值所占的比重;VARIMA是ARIMA模型计算拟合所得的数值;WARIMA是融合加权中ARIMA拟合值所占的比重;stdsample为样本的标准差;stdprophet为prophet模型预测结果的标准差;stdARIMA为ARIMA模型预测结果的标准差
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种高速铁路接触网异物缺陷数预测方法,其特征在于,包括如下步骤:
步骤一,获取铁路异物缺陷数据,将其拆分为训练集与测试集;
步骤二,获取到的训练集经过数据清洗后,输入到prophet模型,以最小化误差项为目标,得到优化后的prophet模型;
步骤三,将获取到的训练集,经过数据清洗、对数化后输入到ARIMA模型,通过平稳性ADF检验,以及AIC检验得到d、p、q三个模型参数;
步骤四,根据得到的prophet模型结果与ARIMA模型结果进行加权融合,得到融合模型,根据融合模型得到高速铁路接触网异物缺陷数。
2.根据权利要求1所述的一种高速铁路接触网异物缺陷数预测方法,其特征在于,所述的最小化误差项为真实值与拟合值的差值;所述的拟合值为:训练集中的历史时间段内每段时间段内异物缺陷数量的拟合值。
3.根据权利要求1所述的一种高速铁路接触网异物缺陷数预测方法,其特征在于,所述的prophet模型为:
y(t)=g(t)+s(t)+h(t)+εt
其中g(t)是时间序列中的趋势项,s(t)是时间序列中的周期项,h(t)是节假日效应,εt代表模型误差项。
5.根据权利要求1所述的一种高速铁路接触网异物缺陷数预测方法,其特征在于,步骤四得到的融合模型的融合方式为:
权重为:
WARIMA=2-Wprophet
dprophet=stdsample-stdprophet
dARIMA=stdsample-stdARIMA
其中,Vm是最终模型拟合得到的异物数值;Vprophet是prophet模型计算拟合所得的数值;Wprophet是融合加权中prophet拟合值所占的比重;VARIMA是ARIMA模型计算拟合所得的数值;WARIMA是融合加权中ARIMA拟合值所占的比重;stdsample为样本的标准差;stdprophet为prophet模型预测结果的标准差;stdARIMA为ARIMA模型预测结果的标准差。
6.一种高速铁路接触网异物缺陷数预测装置,其特征在于,包括数据接收装置、存储器、处理器、数据接口、显示模块;所述的数据接收装置、存储器、数据接口分别与所述的处理器连接;所述的显示模块与所述的数据接口连接;
所述的数据接收装置用于接收异物缺陷数据;
存储器,用于存储计算机程序及铁路局历史各月度的异物缺陷数据,以及最近月份异物缺陷数据;
处理器,用于执行所述的计算机程序方法,以实现高速铁路接触网异物缺陷数预测装置;
对外服务:计算结果对外提供接口服务;
显示模块:在终端设备和用户之间提供一个显示界面,显示拟合效果及预测结果包含,视频、文字和图像等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011582951.6A CN112700037A (zh) | 2020-12-28 | 2020-12-28 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011582951.6A CN112700037A (zh) | 2020-12-28 | 2020-12-28 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112700037A true CN112700037A (zh) | 2021-04-23 |
Family
ID=75511324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011582951.6A Pending CN112700037A (zh) | 2020-12-28 | 2020-12-28 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700037A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120235031A1 (en) * | 2011-03-15 | 2012-09-20 | Lawrence Livermore National Security, Llc | Interface for the rapid analysis of liquid samples by accelerator mass spectrometry |
CN105652154A (zh) * | 2016-01-25 | 2016-06-08 | 成都国铁电气设备有限公司 | 接触网运行状态安全监测分析系统 |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
WO2017136489A1 (en) * | 2016-02-03 | 2017-08-10 | Caspo, Llc | Smart cooking system that produces and uses hydrogen fuel |
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN109002904A (zh) * | 2018-06-21 | 2018-12-14 | 中南大学 | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
CN111553500A (zh) * | 2020-05-11 | 2020-08-18 | 北京航空航天大学 | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 |
CN111652395A (zh) * | 2020-06-12 | 2020-09-11 | 成都国铁电气设备有限公司 | 一种高速铁路接触网设备健康评估方法 |
-
2020
- 2020-12-28 CN CN202011582951.6A patent/CN112700037A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120235031A1 (en) * | 2011-03-15 | 2012-09-20 | Lawrence Livermore National Security, Llc | Interface for the rapid analysis of liquid samples by accelerator mass spectrometry |
CN105652154A (zh) * | 2016-01-25 | 2016-06-08 | 成都国铁电气设备有限公司 | 接触网运行状态安全监测分析系统 |
WO2017136489A1 (en) * | 2016-02-03 | 2017-08-10 | Caspo, Llc | Smart cooking system that produces and uses hydrogen fuel |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN109002904A (zh) * | 2018-06-21 | 2018-12-14 | 中南大学 | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
CN111553500A (zh) * | 2020-05-11 | 2020-08-18 | 北京航空航天大学 | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 |
CN111652395A (zh) * | 2020-06-12 | 2020-09-11 | 成都国铁电气设备有限公司 | 一种高速铁路接触网设备健康评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
CN108225906B (zh) | 基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法 | |
CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
CN111652395A (zh) | 一种高速铁路接触网设备健康评估方法 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN110276385A (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
CN111008641A (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN116677569A (zh) | 一种风机塔架应力监测与预警方法及其系统 | |
CN115878958A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN110262417A (zh) | 一种生产设备故障预测诊断方法 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN113946920A (zh) | 一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法 | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
CN112700037A (zh) | 一种高速铁路接触网异物缺陷数预测方法及预测装置 | |
CN112464158A (zh) | 一种用于自动推荐数值天气预报产品的方法及系统 | |
CN109634854B (zh) | 一种检测软件工程算法组态异常的方法 | |
CN117234156A (zh) | 选矿厂巡检系统及巡检方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN111444233A (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
CN113379279B (zh) | 基于不完整数据的深度强化学习短期电压稳定性评估方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN114722721A (zh) | 基于深度编解码卷积网络的电力变压器健康状态评估方法 | |
CN110866652B (zh) | 一种基于lstm模型的在线pmu数据纠错方法及系统 |
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 |