10.19713/j.cnki.43-1423/u.T20220553
基于IPSO-LSTM的高速铁路无砟轨道不平顺预测
为准确预测高速铁路无砟轨道不平顺发展趋势,结合改进粒子群优化算法(IPSO)和长短期记忆网络(LSTM)搭建轨道质量指数(TQI)预测模型(IPSO-LSTM),将轨检车获取的各项轨道不平顺检测数据经过异常值剔除和降噪等预处理,形成TQI时间序列数据,利用标准化处理后的TQI样本开展模型训练和不平顺预测分析,并与其他常用预测方法进行对比.研究结果表明:长短期记忆网络具有记忆历史信息的功能,能较好地预测非线性时间序列的发展趋势.采用IPSO可解决LSTM中隐含层神经元个数和学习速率等超参数难以选取的问题,增强了模型预测性能.针对某高速铁路K5+000~K7+000区段长达4年的轨道不平顺检测数据,IPSO-LSTM模型对TQI的预测精度最高,自回归积分滑动平均模型(ARIMA)次之,BP神经网络和灰色模型相差不大.IPSO-LSTM的平均相对误差和均方根误差分别为0.035和0.135,与ARIMA,BP神经网络和灰色模型相比,其平均相对误差降低22%~45%,均方根误差降低26%~45%,验证了IPSO-LSTM模型用于无砟轨道不平顺预测的有效性.IPSO-LSTM预测模型有望为了解和掌握高铁无砟轨道质量发展提供一种新的技术支撑.
无砟轨道、轨道质量指数、不平顺预测、长短期记忆网络、改进粒子群优化算法
20
U213(铁路线路工程)
国家重点研发计划;国家自然科学基金;高速铁路无砟轨道设计与维护四川省青年科技创新研究团队项目
2023-04-12(万方平台首次上网日期,不代表论文的发表时间)
共9页
753-761