CN116307302B - 轨道不平顺动静态检测数据反演方法、系统及存储介质 - Google Patents
轨道不平顺动静态检测数据反演方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116307302B CN116307302B CN202310584303.1A CN202310584303A CN116307302B CN 116307302 B CN116307302 B CN 116307302B CN 202310584303 A CN202310584303 A CN 202310584303A CN 116307302 B CN116307302 B CN 116307302B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- dynamic
- static detection
- detection data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 118
- 230000003068 static effect Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 230000015654 memory Effects 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000013501 data transformation Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005314 correlation function Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明提供了轨道不平顺动静态检测数据反演方法、系统及存储介质,属于数据反演技术领域,系统用于执行方法,方法包括:S1.获取原始数据;S2.对原始数据进行预处理得到预处理数据;S3.基于预处理数据提取轨道不平顺峰值数据,进行数据变换操作,得到测试集数据;S4.改进双向长短期记忆网络模型;S5.优化改进双向长短期记忆网络模型;S6.模型训练,求解优化器,得到优化模型;S7.将测试集数据输入到优化模型得到测试结果,数据反演完成。本发明能够更加全面地对轨道几何状态进行预测和评估。
Description
技术领域
本发明涉及数据反演技术领域,尤其是涉及轨道不平顺动静态检测数据反演方法、系统及存储介质。
背景技术
轨道不平顺的检测一般分为动态检测和静态检测,两种检测方式的结果分别对应轨道动态不平顺和轨道静态不平顺。两种检测方式对平顺性检测指标的检测原理不尽相同,检测设备以及检测过程中轨道受力状态不同,导致对于铁路线路的相同区段所得的动静态检测数据间存在一定差异,这种现象直接影响动静态检测数据在日常养护维修中的有效应用。
目前针对轨道检测数据动静关系开展了较为深刻的研究,取得了较多的显性结论和理论成果,为检测数据的落地应用提供了一定程度的支持。但现有研究更多的是对现场实测的轨道不平顺动静态检测数据的波形、数值进行对比和统计分析,对于探究两者映射关系的理论计算模型适用性、可移植性和实时性相对受限。而且现有的轨道不平顺预测方案一般为基于同一类检测历史数据对未来的几何状态进行预测,并不能用于动静态两种检测数据之间的关系探究,无法为轨道养护维修工作中两种数据相结合使用提供理论依据。
发明内容
本发明提供轨道不平顺动静态检测数据反演方法、系统及存储介质,利用一种数据对另一种数据进行有效推断和反演,能够更加全面地对轨道几何状态进行预测和评估;深度探究了铁路线路轨道不平顺动静态检测峰值数据之间的映射关系,可以帮助铁路运维人员制定更有针对性的养护维修措施。
本说明书实施例的第一方面公开了轨道不平顺动静态检测数据反演方法,包括:
S1.采集轨道不平顺动静态检测数据,得到原始数据;
S2.对所述原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐,得到预处理数据;
S3.基于所述预处理数据,提取轨道不平顺峰值数据,对所述轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作,得到测试集数据;
S4.基于网格搜索法,对双向长短期记忆网络模型中的参数进行调优,得到改进双向长短期记忆网络模型;
S5.基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,使用平均绝对误差和均方根误差,作为模型评价指标,对所述改进双向长短期记忆网络模型的工作性能和预测结果进行评价,选取评价结果最优的所述改进双向长短期记忆网络模型;
S6.基于所述改进双向长短期记忆网络模型,进行模型训练,求解优化器,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,进而控制模型输入输出长度的单次预测长度,得到优化模型;
S7.基于所述优化模型,将所述测试集数据输入到所述优化模型得到测试结果,数据反演完成。
在一些实施例中,S2中,采用业务法和Z-score相结合的方法对所述原始数据进行异常值识别。
在一些实施例中,S2中,对所述原始数据中的静态里程数据进行下采样处理,使其与动态采样数据间隔保持一致。
在一些实施例中,S2中,根据新的里程信息采用二维插值对各指标检测数据做进一步插值处理,得到与新里程相对的各指标检测数据。
在一些实施例中,S2中,基于互相关函数和动态时间规整的二阶段修正算法,进行动静态检测数据的精确匹配和里程对齐。
在一些实施例中,所述对数变换的公式如下:
;
其中,e为自然底数,x为原始数据,y为变换后的数据。
在一些实施例中,所述滑动平均的公式如下:
;
其中,为原始序列的第/>个数据,/>为窗口大小,/>为在时刻/>的滑动平均值。
在一些实施例中,所述一阶差分的公式如下:
。
本说明书实施例的第二方面公开了轨道不平顺动静态检测数据反演系统,包括:
数据采集模块,用于采集轨道不平顺动静态检测数据,得到原始数据;
预处理模块,用于对所述原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐,得到预处理数据;
数据变换模块,用于基于所述预处理数据,提取轨道不平顺峰值数据,对所述轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作,得到测试集数据;
模型确定模块,用于基于网格搜索法,对双向长短期记忆网络模型中的参数进行调优,得到改进双向长短期记忆网络模型;
模型优化模块,用于基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,使用平均绝对误差和均方根误差,作为模型评价指标,对所述改进双向长短期记忆网络模型的工作性能和预测结果进行评价,选取评价结果最优的所述改进双向长短期记忆网络模型;
模型训练模块,用于基于所述改进双向长短期记忆网络模型,进行模型训练,求解优化器,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,进而控制模型输入输出长度的单次预测长度,得到优化模型;
数据反演模块,用于基于所述优化模型,将所述测试集数据输入到所述优化模型得到测试结果,数据反演完成。
本说明书实施例的第三方面公开了计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行上述的轨道不平顺动静态检测数据反演方法。
综上所述,本发明至少具有以下有益效果:
1.本发明提出了一种全新的轨道不平顺检测数据反演方法,可以实现利用一种数据对另一种数据的有效推断和反演,能够更加全面地对轨道几何状态进行预测和评估。
2.根据轨道不平顺检测数据的数值特点和分布特征,对其先后进行对数变换、滑动平均和一阶差分三种方法相结合的数据变换处理方法,在不损失有效信息的前提下,使检测数据具有平稳性并突出周期性和趋势性,便于对后续的建模和挖掘工作。
3.提出了一种基于多步长匹配机制的改进Bi-LSTM模型,该模型综合考虑了轨道几何状态的邻枕关系和双向学习的思想,深度探究了铁路线路轨道不平顺动静态检测峰值数据之间的映射关系,可以帮助铁路运维人员制定更有针对性的养护维修措施。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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。
图1为本发明中所涉及的轨道不平顺动静态检测数据反演方法的步骤示意图。
图2为本发明中所涉及的轨道不平顺动静态检测数据反演方法的技术构思流程示意图。
图3为本发明中所涉及的轨道不平顺动静态检测数据展示的示意图。
图4为本发明中所涉及的轨道不平顺检测异常值数据的示意图。
图5为本发明中所涉及的每公里动静态检测数据量对比的示意图。
图6为本发明中所涉及的动静态检测数据里程偏差的示意图。
图7为本发明中所涉及的里程误差修正模型流程的示意图。
图8为本发明中所涉及的对数变换处理结果的示意图。
图9为本发明中所涉及的滑动平均处理结果的示意图。
图10为本发明中所涉及的一阶差分处理结果的示意图。
图11为本发明中所涉及的多步长匹配机制的示意图。
图12为本发明中所涉及的双向长短时记忆神经网络模型的示意图。
图13为本发明中所涉及的高低不平顺峰值预测结果的示意图。
图14为本发明中所涉及的轨向不平顺峰值预测结果的示意图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明实施例的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
下文的公开提供了许多不同的实施方式或例子用来实现本发明实施例的不同结构。为了简化本发明实施例的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明实施例。此外,本发明实施例可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。
下面结合附图对本发明的实施例进行详细说明。
如图1所示,本说明书实施例的第一方面公开了轨道不平顺动静态检测数据反演方法,包括:
S1.采集轨道不平顺动静态检测数据,得到原始数据;
S2.对原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐,得到预处理数据;
S3.基于预处理数据,提取轨道不平顺峰值数据,对轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作,得到测试集数据;
S4.基于网格搜索法,对双向长短期记忆网络模型中的参数进行调优,得到改进双向长短期记忆网络模型;
S5.基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,使用平均绝对误差和均方根误差,作为模型评价指标,对改进双向长短期记忆网络模型的工作性能和预测结果进行评价,选取评价结果最优的改进双向长短期记忆网络模型;
S6.基于改进双向长短期记忆网络模型,进行模型训练,求解优化器,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,进而控制模型输入输出长度的单次预测长度,得到优化模型;
S7.基于优化模型,将测试集数据输入到优化模型得到测试结果,数据反演完成。
在一些实施例中,S2中,采用业务法和Z-score相结合的方法对原始数据进行异常值识别。
在一些实施例中,S2中,对原始数据中的静态里程数据进行下采样处理,使其与动态采样数据间隔保持一致。
在一些实施例中,S2中,根据新的里程信息采用二维插值对各指标检测数据做进一步插值处理,得到与新里程相对的各指标检测数据。
在一些实施例中,S2中,基于互相关函数和动态时间规整的二阶段修正算法,进行动静态检测数据的精确匹配和里程对齐。
在一些实施例中,对数变换的公式如下:
;
其中,e为自然底数,x为原始数据,y为变换后的数据。
在一些实施例中,滑动平均的公式如下:
;
其中,为原始序列的第/>个数据,/>为窗口大小,/>为在时刻/>的滑动平均值。
在一些实施例中,一阶差分的公式如下:
。
本说明书实施例的第二方面公开了轨道不平顺动静态检测数据反演系统,包括:
数据采集模块,用于采集轨道不平顺动静态检测数据,得到原始数据;
预处理模块,用于对原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐,得到预处理数据;
数据变换模块,用于基于预处理数据,提取轨道不平顺峰值数据,对轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作,得到测试集数据;
模型确定模块,用于基于网格搜索法,对双向长短期记忆网络模型中的参数进行调优,得到改进双向长短期记忆网络模型;
模型优化模块,用于基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,使用平均绝对误差和均方根误差,作为模型评价指标,对改进双向长短期记忆网络模型的工作性能和预测结果进行评价,选取评价结果最优的改进双向长短期记忆网络模型;
模型训练模块,用于基于改进双向长短期记忆网络模型,进行模型训练,求解优化器,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,进而控制模型输入输出长度的单次预测长度,得到优化模型;
数据反演模块,用于基于优化模型,将测试集数据输入到优化模型得到测试结果,数据反演完成。
轨道不平顺动静态检测数据反演系统还包括:
处理器,分别与数据采集模块、预处理模块、数据变换模块、模型确定模块、模型优化模块、模型训练模块和数据反演模块连接;
存储器,与处理器连接,并存储有可在处理器上运行的计算机程序;
其中,当处理器执行计算机程序时,处理器控制数据采集模块、预处理模块、数据变换模块、模型确定模块、模型优化模块、模型训练模块和数据反演模块工作,以实现上述的轨道不平顺动静态检测数据反演方法。
本说明书实施例的第三方面公开了计算机可读存储介质,存储介质存储计算机指令,当计算机读取计算机指令时,计算机执行上述的轨道不平顺动静态检测数据反演方法。
本发明的技术构思如下(大体流程如图2所示):
1.采集轨道不平顺动静态检测数据。
2.对原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐等数据预处理工作。根据现有研究,时序数据异常值检测方法常见的有业务法、3准则、Z-score和箱线图等,本发明采用业务法和Z-score相结合的方法对轨道不平顺检测数据进行异常值识别。为保证轨道不平顺动静态检测数据的一致性,首先对静态里程数据进行下采样处理,使其与动态采样数据间隔保持一致;然后再根据新的里程信息采用二维插值对各指标检测数据做进一步插值处理,得到与新里程相对的各指标检测数据,其中二维插值方法选用三次样条插值。根据一种基于互相关函数和动态时间规整的二阶段修正算法实现动静态检测数据的精确匹配和里程对齐。
3.根据铁路线路轨道不平顺检测数据具有频率高、波动大等特点,对轨道不平顺峰值数据先后进行对数变换、滑动平均和一阶差分三种数据变换操作。本发明利用对数变换主要是为了减小不平顺峰值数据的振动幅度,使其线性规律更加明显,同时保留其他信息,计算公式如式(1)所示。式中,e为自然底数,为原始数据,y为变换后的数据。
(1)
4.轨道不平顺检测峰值数据中可能存在个别位置的数值接近于零,导致经对数变换后出现过大的突刺波形,因此本文使用滑动平均方法规避这种可能性。滑动平均是一种常用的时间序列平滑方法,它通过利用滑动窗口对序列中一定数量的数据进行平均,得到一系列平均值,如下式(2)所示。式中,为原始序列的第/>个数据,/>为窗口大小,/>即在时刻/>的滑动平均值。
(2)
5.在针对轨道不平顺检测峰值数据的动静态映射关系探究过程中,更加关注检测数据中的极值信息,因此本文选用一阶差分对上述处理后的数据做进一步处理,如下式(3)所示。
(3)
6.根据轨道几何状态的邻枕关系和双向学习的思路,本发明对传统匹配机制存在的缺陷进行改进,改进后的匹配机制是保持待预测序列的单次输入长度不变,将用于预测的学习序列的单次输入长度按索引位置向前向后截取一定比例的数据。
7.本发明所搭建的改进双向长短期记忆网络模型(Bi-LSTM)中的重要参数有模型学习率、迭代次数、序列输入输出长度、隐藏层神经元数量以及模型中的LSTM网络深度等。本发明利用平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean SquaredError,RMSE)两个指标对不同条件下的改进Bi-LSTM模型学习效果进行评价,并借鉴于网格搜索思想依据各参数的不同取值作出模型的预测结果误差曲线,进而选择最合适的参数取值。
平均绝对误差是预测误差的绝对值的平均值,用于衡量预测值与真实值之间的绝对差距,其计算公式如下式(4)所示:
(4)
均方根误差是预测误差平方的标准差,用于衡量预测值与真实值之间的差距。其计算公式如下式(5)所示:
(5)
8.本发明根据高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,选择使用平均绝对误差(MAE)和均方根误差(RMSE)作为模型的评价指标,对本发明所提出的改进双向长短期记忆网络模型的工作性能和预测结果进行评价。
9.模型训练,求解优化器采用Adam,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,控制模型输入输出长度的单次预测长度N=4。
10.模型测试,将测试集数据输入模型得到测试结果。
为了进一步说明本发明的技术方案,一具体实施例如下所示。
1.在没有列车荷载作用时,利用轨距尺、弦线、轨道检查仪等检测工具测得轨道静态不平顺检测数据;在有列车荷载作用时,根据轨道检查车(简称轨检车)、高速综合检测列车测得轨道动态不平顺检测数据。根据激扰方向可以将轨道不平顺分为高低、轨向、轨距、水平、三角坑(扭曲)五种类型,其检测数据如图3所示。
2.在轨道不平顺检测数据中,存在因检测系统误差导致的异常数据点(离群点),如图4所示,图中方框所选的位置存在异常极值点,该点数据并非是反映轨道真实几何状态的数据信息。为避免异常数据影响后续数据分析模型的构建,应对原始数据进行检测,识别并处理掉异常数据。
3.静态检测数据的采样间隔为0.125m,每公里有8000个数据点;动态检测数据的采样间隔为0.25m,每公里有4000个数据点;如图5所示。为保证轨道不平顺动静态检测数据的一致性,便于后续的动静态数据对比分析和挖掘工作,应对检测原始数据进行数据重采样,使动静态数据保持相同的数据间隔。
4.轨道不平顺动静态检测因检测方式、系统误差等因素的影响,两者对同一区段轨道状态进行检测所得的数据存在一定的里程偏差,如图6所示,通过观察图6可以发现,动态检测数据对于静态检测数据整体上存在向左的里程偏差。
本方法所使用的高速铁路轨道不平顺动静态检测数据里程误差修正模型主要包括数据准备、第一阶段里程修正、第二阶段里程修正三部分,如图7所示。其中,第一阶段里程修正利用CCF算法解决动态检测数据在静态检测数据主点位置附近的里程误差值及初步修正;第二阶段里程修正则使用DTW算法实现对相邻主点之间的动静态检测数据相似性度量与匹配对齐,进而依据最优匹配路径对动态检测数据进行更加合理的拉伸或压缩,进而实现里程误差的精确修正。
5.对数变换是一种非线性的数学变换方法,它的主要作用是将一个数值范围内的数据转换为另一个数值范围内的数据,可以实现数据的波动范围压缩、扩展以及归一化。本发明利用该方法主要是为了减小不平顺峰值数据的振动幅度,使其线性规律更加明显,同时保留其他信息。图8以高低指标为例展示动静态数据经对数变换后的效果。
6.轨道不平顺检测峰值数据中可能存在个别位置的数值接近于零,导致经对数变换后出现过大的突刺波形,因此本文使用滑动平均方法规避这种可能性。滑动平均是一种常用的时间序列平滑方法,它通过利用滑动窗口对序列中一定数量的数据进行平均,得到一系列平均值。其主要作用是减少噪声的影响,消除时间序列中的随机波动,将数据中的瞬时噪声平滑为平稳的趋势线。处理后的数据可以更好地反映时间序列中的周期性变化和趋势性变化,有助于我们更准确地进行预测和决策。图9展示了在对数变换后进行滑动平均的处理效果。
7.在针对轨道不平顺检测峰值数据的动静态映射关系探究过程中,更加关注检测数据中的极值信息,因此本文选用一阶差分对上述处理后的数据做进一步处理,如图10所示。一阶差分指的是相邻两个数据之间的差值,可以更直观的描述数据的变化趋势,在时间序列预测任务中,对数据进行一阶差分可以去除数据的线性趋势,以及消除季节性变化的影响,使得数据更具有平稳性质,更容易进行建模和预测。
8.轨道不平顺检测数据本就是一种随机性很强的序列,动静态检测数据之间难以确立一一对应关系,并且无论是何种里程修正方法都难以实现动静检测数据点一一对齐的修正精度,而传统的预测匹配机制是将动静态检测原始数据经预处理后的等长序列进行一对一的数据匹配作为模型输入。根据轨道几何状态的邻枕关系和双向学习的思路,本方法对传统匹配机制存在的缺陷进行改进,改进后的匹配机制是保持待预测序列的单次输入长度不变,将用于预测的学习序列的单次输入长度按索引位置向前向后截取一定比例的数据。图11以前后各取一倍长度为例对多步长匹配机制进行展示,其中n为单次预测长度,图11展示的是序列中间位置的动静态匹配方式,对于序列的起始位置则只保留后向学习,同理终止位置只保留前向学习。
9.搭建双向长短期记忆网络模型,Bi-LSTM同样是循环神经网络的一个变种,其结构是由两个相互独立的前向LSTM与后向LSTM组合而成,分别从正向和反向计算输入序列的信息,然后将两个LSTM的输出向量拼接起来,作为该时间步的特征表达,如图12所示。
10.训练并优化不平顺反演模型。采用Adam优化方法训练不同参数条件下的Bi-LSTM模型,并利用平均绝对误差(MAE)和均方根误差(RMSE)两个指标对不同条件下的学习效果进行评价,在此主要讨论模型学习率、隐藏层神经元数量和LSTM网络深度三个参数,根据误差曲线建议学习率取值0.001~0.005,隐藏层神经元数量建议取值200~400, LSTM网络深度建议取值5或6。
11.利用优化后的模型进行学习预测,首先基于时间序列任务中传统的预测学习方式对RNN、LSTM、Bi-LSTM三种模型的工作性能进行对比分析;然后再将完成本方法所提出的三步处理操作(即数据变换)后的数据定义为阶段一数据,在该阶段使用Bi-LSTM模型进行动静态检测数据反演预测;最后将完成以多步长匹配机制改进模型输入输出结构后的过程定义为阶段二,并对该阶段的模型工作性能进行评价。各模型各阶段的模型性能对比结果如下表1所示:从MAE指标来看,LSTM的预测结果最好,Bi-LSTM次之,RNN最差;从RMSE指标来看,三种模型随着各自模型复杂度的提高,预测结果也越来越好,该结果符合模型迭代的预期且论证了本文使用Bi-LSTM模型的合理性。经数据变换后的模型性能和预测精度有了较大的提升,阶段一预测结果的MAE和RMSE两项指标,较原Bi-LSTM模型结果分别降低了63.83%和66.06%;再基于多步长匹配机制对原模型的输入输出结构进行改进后模型预测结果的MAE和RMSE两项指标在上一阶段的基础上又分别降低了31.65%和15.18%;与原模型相比则分别降低了75.27%和71.21%。
表1各模型-各阶段预测结果评价对比
评价指标 | RNN | LSTM | Bi-LSTM | 阶段一 | 阶段二 |
MAE | 0.1203 | 0.0812 | 0.1092 | 0.0395 | 0.0270 |
RMSE | 0.1589 | 0.1458 | 0.1417 | 0.0481 | 0.0408 |
利用改进后的Bi-LSTM模型完成动静峰值数据的反演预测,如下表2所示,MAE和RMSE两项评价指标均有较低的计算结果;为了更清晰直观的判断预测结果与实测数据在波形上的对比结果图13、图14展示了高低和轨向指标的预测波形和实测波形,可以看出预测结果基本实现实测波形的复现,两者的波形重复程度较高且在波形极值的位置同样具有不错的学习效果。
表2预测结果评价对比
评价指标 | 高低峰值 | 轨向峰值 |
MAE | 0.0248 | 0.0192 |
RMSE | 0.0431 | 0.0573 |
以上所述实施例是用以说明本发明,并非用以限制本发明,所以举例数值的变更或等效元件的置换仍应隶属本发明的范畴。
由以上详细说明,可使本领域普通技术人员明了本发明的确可达成前述目的,实已符合专利法的规定。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,应当指出的是,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
应当注意的是,上述有关流程的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说明,但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例有关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改进。因此,本申请的各个方面可以完全由硬件实施、可以完全由软件(包括固件、常驻软件、微代码等)实施、也可以由硬件和软件组合实施。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本申请的各方面可以采取体现在一个或多个计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写,包括如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等的面向对象程序设计语言、如C程序设计语言、VisualBasic、Fortran2103、Perl、COBOL2102、PHP、ABAP的常规程序化程序设计语言、如Python、Ruby和Groovy的动态程序设计语言或其它程序设计语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,尽管上述各种组件的实现可以体现在硬件设备中,但是它也可以实现为纯软件解决方案,例如,在现有服务器或移动设备上的安装。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请的实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。然而,本申请的该方法不应被解释为反映所申明的客体需要比每个权利要求中明确记载的更多特征的意图。相反,发明的主体应具备比上述单一实施例更少的特征。
Claims (10)
1.轨道不平顺动静态检测数据反演方法,其特征在于,包括:
S1.采集轨道不平顺动静态检测数据,得到原始数据;
S2.对所述原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐,得到预处理数据;
S3.基于所述预处理数据,提取轨道不平顺峰值数据,对所述轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作,得到测试集数据;
S4.基于网格搜索法,对双向长短期记忆网络模型中的参数进行调优,得到改进双向长短期记忆网络模型;
S5.基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,使用平均绝对误差和均方根误差,作为模型评价指标,对所述改进双向长短期记忆网络模型的工作性能和预测结果进行评价,选取评价结果最优的所述改进双向长短期记忆网络模型;
S6.基于所述改进双向长短期记忆网络模型,进行模型训练,求解优化器,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,进而控制模型输入输出长度的单次预测长度,得到优化模型;
S7.基于所述优化模型,将所述测试集数据输入到所述优化模型得到测试结果,数据反演完成。
2.根据权利要求1所述的轨道不平顺动静态检测数据反演方法,其特征在于,S2中,采用业务法和Z-score相结合的方法对所述原始数据进行异常值识别。
3.根据权利要求2所述的轨道不平顺动静态检测数据反演方法,其特征在于,S2中,对所述原始数据中的静态里程数据进行下采样处理,使其与动态采样数据间隔保持一致。
4.根据权利要求3所述的轨道不平顺动静态检测数据反演方法,其特征在于,S2中,根据新的里程信息采用二维插值对各指标检测数据做进一步插值处理,得到与新里程相对的各指标检测数据。
5.根据权利要求4所述的轨道不平顺动静态检测数据反演方法,其特征在于,S2中,基于互相关函数和动态时间规整的二阶段修正算法,进行动静态检测数据的精确匹配和里程对齐。
6.根据权利要求1所述的轨道不平顺动静态检测数据反演方法,其特征在于,所述对数变换的公式如下:
;
其中,e为自然底数,x为原始数据,y为变换后的数据。
7.根据权利要求6所述的轨道不平顺动静态检测数据反演方法,其特征在于,所述滑动平均的公式如下:
;
其中,为原始序列的第/>个数据,/>为窗口大小,/>为在时刻/>的滑动平均值。
8.根据权利要求7所述的轨道不平顺动静态检测数据反演方法,其特征在于,所述一阶差分的公式如下:
。
9.轨道不平顺动静态检测数据反演系统,其特征在于,包括:
数据采集模块,用于采集轨道不平顺动静态检测数据,得到原始数据;
预处理模块,用于对所述原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐,得到预处理数据;
数据变换模块,用于基于所述预处理数据,提取轨道不平顺峰值数据,对所述轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作,得到测试集数据;
模型确定模块,用于基于网格搜索法,对双向长短期记忆网络模型中的参数进行调优,得到改进双向长短期记忆网络模型;
模型优化模块,用于基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,使用平均绝对误差和均方根误差,作为模型评价指标,对所述改进双向长短期记忆网络模型的工作性能和预测结果进行评价,选取评价结果最优的所述改进双向长短期记忆网络模型;
模型训练模块,用于基于所述改进双向长短期记忆网络模型,进行模型训练,求解优化器,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,进而控制模型输入输出长度的单次预测长度,得到优化模型;
数据反演模块,用于基于所述优化模型,将所述测试集数据输入到所述优化模型得到测试结果,数据反演完成。
10.计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行如权利要求1~8中任意一项所述的轨道不平顺动静态检测数据反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310584303.1A CN116307302B (zh) | 2023-05-23 | 2023-05-23 | 轨道不平顺动静态检测数据反演方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310584303.1A CN116307302B (zh) | 2023-05-23 | 2023-05-23 | 轨道不平顺动静态检测数据反演方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307302A CN116307302A (zh) | 2023-06-23 |
CN116307302B true CN116307302B (zh) | 2023-07-25 |
Family
ID=86785472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310584303.1A Active CN116307302B (zh) | 2023-05-23 | 2023-05-23 | 轨道不平顺动静态检测数据反演方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307302B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567576A (zh) * | 2011-12-13 | 2012-07-11 | 北京交通大学 | 一种轮重减载率的预测方法 |
CN104260754A (zh) * | 2014-10-08 | 2015-01-07 | 南京理工大学 | 基于轴箱振动加速度的轨道高低不平顺预测系统及方法 |
CN112948984A (zh) * | 2021-05-13 | 2021-06-11 | 西南交通大学 | 一种车载式的轨道高低不平顺峰值区间检测方法 |
CN113033898A (zh) * | 2021-03-26 | 2021-06-25 | 国核电力规划设计研究院有限公司 | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 |
CN113591240A (zh) * | 2021-07-27 | 2021-11-02 | 重庆大学 | 基于双向lstm网络的磨齿机热误差模型建模方法 |
CN114386707A (zh) * | 2022-01-18 | 2022-04-22 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 一种轨道高低不平顺预测方法及装置 |
CN114510778A (zh) * | 2022-01-10 | 2022-05-17 | 西安理工大学 | 基于混合智能优化lstm的轨道不平顺预测方法 |
CN114912367A (zh) * | 2022-06-09 | 2022-08-16 | 江西日月明测控科技股份有限公司 | 轨道静态不平顺趋势预测方法、系统、电子设备及存储介质 |
CN115062271A (zh) * | 2022-06-13 | 2022-09-16 | 南京加宝囤信息科技有限公司 | 基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质 |
CN115371724A (zh) * | 2022-07-12 | 2022-11-22 | 中国铁道科学研究院集团有限公司 | 轨道状态评价方法及装置 |
CN115619449A (zh) * | 2022-11-08 | 2023-01-17 | 中国科学院合肥物质科学研究院 | 基于深度学习模型的化肥价格预测方法、设备及存储介质 |
CN115907143A (zh) * | 2022-11-18 | 2023-04-04 | 中国铁道科学研究院集团有限公司 | 车辆动态响应的预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11615311B2 (en) * | 2018-12-10 | 2023-03-28 | Baidu Usa Llc | Representation learning for input classification via topic sparse autoencoder and entity embedding |
-
2023
- 2023-05-23 CN CN202310584303.1A patent/CN116307302B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567576A (zh) * | 2011-12-13 | 2012-07-11 | 北京交通大学 | 一种轮重减载率的预测方法 |
CN104260754A (zh) * | 2014-10-08 | 2015-01-07 | 南京理工大学 | 基于轴箱振动加速度的轨道高低不平顺预测系统及方法 |
CN113033898A (zh) * | 2021-03-26 | 2021-06-25 | 国核电力规划设计研究院有限公司 | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 |
CN112948984A (zh) * | 2021-05-13 | 2021-06-11 | 西南交通大学 | 一种车载式的轨道高低不平顺峰值区间检测方法 |
CN113591240A (zh) * | 2021-07-27 | 2021-11-02 | 重庆大学 | 基于双向lstm网络的磨齿机热误差模型建模方法 |
CN114510778A (zh) * | 2022-01-10 | 2022-05-17 | 西安理工大学 | 基于混合智能优化lstm的轨道不平顺预测方法 |
CN114386707A (zh) * | 2022-01-18 | 2022-04-22 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 一种轨道高低不平顺预测方法及装置 |
CN114912367A (zh) * | 2022-06-09 | 2022-08-16 | 江西日月明测控科技股份有限公司 | 轨道静态不平顺趋势预测方法、系统、电子设备及存储介质 |
CN115062271A (zh) * | 2022-06-13 | 2022-09-16 | 南京加宝囤信息科技有限公司 | 基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质 |
CN115371724A (zh) * | 2022-07-12 | 2022-11-22 | 中国铁道科学研究院集团有限公司 | 轨道状态评价方法及装置 |
CN115619449A (zh) * | 2022-11-08 | 2023-01-17 | 中国科学院合肥物质科学研究院 | 基于深度学习模型的化肥价格预测方法、设备及存储介质 |
CN115907143A (zh) * | 2022-11-18 | 2023-04-04 | 中国铁道科学研究院集团有限公司 | 车辆动态响应的预测方法及装置 |
Non-Patent Citations (4)
Title |
---|
地铁轨道不平顺状态的监测与预警;常惠;饶志强;赵玉林;;科学技术与工程(第22期);22 * |
基于BP神经网络的铁路轨道几何不平顺预测方法;彭丽宇;张进川;苟娟琼;李学伟;;铁道学报(第09期);159-163 * |
基于GBDT的轨道不平顺状态评价模型研究;张煜;杨飞;尤明熙;李国龙;龙亦语;;铁道建筑(第08期);116-119 * |
基于多车型CNN-GRU 性能预测模型的轨道状态评价;杨飞等;西南交通大学学报;第58卷(第2期);322-330 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307302A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tone et al. | Modeling investments in the dynamic network performance of insurance companies | |
Ding et al. | Stationary subspaces-vector autoregressive with exogenous terms methodology for degradation trend estimation of rolling and slewing bearings | |
Tang et al. | An EEMD-based multi-scale fuzzy entropy approach for complexity analysis in clean energy markets | |
CN110457786B (zh) | 基于深度置信网络的卸船机关联规则故障预测模型方法 | |
Khosravi et al. | Reducing the positional errors of railway track geometry measurements using alignment methods: A comparative case study | |
CN111367959A (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
CN103722022A (zh) | 一种轧制过程中摩擦系数模型优化系统及方法 | |
Yi et al. | A promising new tool for fault diagnosis of railway wheelset bearings: SSO-based Kurtogram | |
CN104794312A (zh) | 轨道平顺状态的评定方法及装置 | |
CN113361690A (zh) | 水质预测模型训练、水质预测方法、装置、设备及介质 | |
CN114912367A (zh) | 轨道静态不平顺趋势预测方法、系统、电子设备及存储介质 | |
CN111143768A (zh) | 一种基于arima-svm组合模型的空气质量预测算法 | |
CN116307302B (zh) | 轨道不平顺动静态检测数据反演方法、系统及存储介质 | |
CN113740295B (zh) | 基于近红外建模的成品油添加剂检测分析方法及装置 | |
Burtiev et al. | Time series analysis of wind speed and temperature in Tiraspol, Moldova | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
Mamonov et al. | Econometric modeling of the level of stakeholder interaction at construction enterprises | |
Agrawal et al. | Identification of co-change patterns in software evolution | |
Wang et al. | A self-adaptive method for the assessment of dynamic measurement uncertainty | |
Wang et al. | Multi-criteria decision-making method-based approach to determine a proper level for extrapolation of Rainflow matrix | |
Hasanov | The impact of the real exchange rate on non-oil exports. Is there an asymmetric adjustment towards the equilibrium? | |
Yu et al. | Real-time cable force identification based on block recursive Capon spectral estimation method | |
Jadhav et al. | Software defect prediction utilizing deterministic and probabilistic approach for optimizing performance through defect association learning | |
Shabilla et al. | Predicting international market price of gasoline using Fourier series estimator | |
Fan et al. | Track quality detection method for grooved rail |
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 |