精准预测高速铁路风险对高速铁路安全管理至关重要。为有效预测高速铁路运行中的风险概率,解决事故诱因内外部特征的提取与学习过程难以同时兼顾的问题,提出一种考虑事故诱因拓扑结构的内外双视角的高速铁路风险预测模型(internal and e...精准预测高速铁路风险对高速铁路安全管理至关重要。为有效预测高速铁路运行中的风险概率,解决事故诱因内外部特征的提取与学习过程难以同时兼顾的问题,提出一种考虑事故诱因拓扑结构的内外双视角的高速铁路风险预测模型(internal and external perspectives on the topological dendrogram of accident causes,IEPTDAC)。首先,基于树状结构刻画事故内部诱因的拓扑关系,从“人、机、环、管”4个方面提取事故诱因的外部特征;在此基础上,采用卷积神经网络的多层卷积操作提取事故诱因的内外部特征,并引入粒子群算法对卷积神经网络的关键超参数进行优化,进一步提升模型的预测性能;最后,选取某铁路局的5个区段,以19个事故诱因与风险事故数据作为研究对象,在1、3和5 h的时间粒度下,分别采用9种既有预测模型与IEPTDAC模型进行对比分析。实验结果表明,相较于现有的组合预测模型以及传统的单一预测模型,IEPTDAC模型拥有更优的预测精度和拟合效果。例如,在1 h时间粒度下,对比实验中基于暂态提取变换与DSRNet-AttBiLSTM的预测模型,IEPTDAC模型的平均绝对误差fmae降低了32.04%,均方根误差f_(rmse)降低了36.35%,决定系数f_(r^(2))提高了0.46%;在1、3和5 h的时间粒度下,IEPTDAC与传统的ConvLSTM(convolutional long short-term memory)模型相比,f_(r^(2))分别提高1.71%、3.00%、1.27%。此外,本文设计的模型消融实验验证了IEPTDAC模型各分支的合理性和有效性。该方法为高速铁路风险预测提供了一种有效的技术手段。展开更多
准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络...准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络的高铁沿线短期风速预测方法。首先,针对风速非线性和非平稳特性,采用极小化极大(min-max,MM)方法对风速数据进行归一化处理;其次,采用SABO算法中的“-v”方法对LSTM模型的关键参数搜索寻优,并构建风速预测模型;最后,以中国宝兰高铁沿线风速采集点采集的实测风速数据为例,对模型进行有效性检验。实验结果表明:SABO算法的寻优效果更加良好,预测精度更高,所建模型的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(route mean square error,RMSE)分别仅为11.96%、1.23%和16.47%,决定系数(r-square,R^(2))为0.995。与其他模型相比,通过SABO算法优化后的LSTM神经网络在短期风速预测上具有较好的拟合效果和更高的预测精度,可为高铁沿线大风预测预警提供一种新的方法和思路。展开更多
文摘精准预测高速铁路风险对高速铁路安全管理至关重要。为有效预测高速铁路运行中的风险概率,解决事故诱因内外部特征的提取与学习过程难以同时兼顾的问题,提出一种考虑事故诱因拓扑结构的内外双视角的高速铁路风险预测模型(internal and external perspectives on the topological dendrogram of accident causes,IEPTDAC)。首先,基于树状结构刻画事故内部诱因的拓扑关系,从“人、机、环、管”4个方面提取事故诱因的外部特征;在此基础上,采用卷积神经网络的多层卷积操作提取事故诱因的内外部特征,并引入粒子群算法对卷积神经网络的关键超参数进行优化,进一步提升模型的预测性能;最后,选取某铁路局的5个区段,以19个事故诱因与风险事故数据作为研究对象,在1、3和5 h的时间粒度下,分别采用9种既有预测模型与IEPTDAC模型进行对比分析。实验结果表明,相较于现有的组合预测模型以及传统的单一预测模型,IEPTDAC模型拥有更优的预测精度和拟合效果。例如,在1 h时间粒度下,对比实验中基于暂态提取变换与DSRNet-AttBiLSTM的预测模型,IEPTDAC模型的平均绝对误差fmae降低了32.04%,均方根误差f_(rmse)降低了36.35%,决定系数f_(r^(2))提高了0.46%;在1、3和5 h的时间粒度下,IEPTDAC与传统的ConvLSTM(convolutional long short-term memory)模型相比,f_(r^(2))分别提高1.71%、3.00%、1.27%。此外,本文设计的模型消融实验验证了IEPTDAC模型各分支的合理性和有效性。该方法为高速铁路风险预测提供了一种有效的技术手段。
文摘准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络的高铁沿线短期风速预测方法。首先,针对风速非线性和非平稳特性,采用极小化极大(min-max,MM)方法对风速数据进行归一化处理;其次,采用SABO算法中的“-v”方法对LSTM模型的关键参数搜索寻优,并构建风速预测模型;最后,以中国宝兰高铁沿线风速采集点采集的实测风速数据为例,对模型进行有效性检验。实验结果表明:SABO算法的寻优效果更加良好,预测精度更高,所建模型的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(route mean square error,RMSE)分别仅为11.96%、1.23%和16.47%,决定系数(r-square,R^(2))为0.995。与其他模型相比,通过SABO算法优化后的LSTM神经网络在短期风速预测上具有较好的拟合效果和更高的预测精度,可为高铁沿线大风预测预警提供一种新的方法和思路。
