期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
结合更新过程与粒子群优化的BP神经网络铁路物资预测模型
1
作者
黄自力
蔡小强
+8 位作者
金荣森
刘承亮
廖志刚
刘立法
孙晶
王芳
刘柏志
王劲
戴梦岚
《铁道科学与工程学报》
北大核心
2025年第7期3011-3024,共14页
非周期性消耗的铁路运营物资(即偶换件),包括导轨、指示器、弹簧片、散热器组件、蓄电池标牌、灯头接头等,是铁路部门生产及经营的重要资源。由于该类物资的易耗性和偶然性,采用高精度的方法预测物资需求能够显著提升铁路部门的日常经...
非周期性消耗的铁路运营物资(即偶换件),包括导轨、指示器、弹簧片、散热器组件、蓄电池标牌、灯头接头等,是铁路部门生产及经营的重要资源。由于该类物资的易耗性和偶然性,采用高精度的方法预测物资需求能够显著提升铁路部门的日常经营效率,也能加强灾害状态下铁路部门的反应能力。本研究聚焦于分析广州铁路集团各地区物资出库数据,由于铁路物资需求具有较大的随机性与偶然性,普通的拟合函数较难刻画其复杂的变动关系。因此,探讨一种基于粒子群优化(particle swarm optimization, PSO)与反向传播神经网络(backpropagation neural network, BPNN)的铁路物资需求预测方法。该方法基于神经网络优化中的频率原则及凝聚现象的理论基础,通过PSO对BPNN进行预训练,赋予其一个较大的初始化权重,使其最终能够学到一个较为复杂的拟合函数,从而刻画物资数据的复杂性与随机性。此外,针对部分具有高频次、高周转物理特性的物资,利用调整后的更新过程(renewal process, RP)对物资数据进行时间序列建模,然后将该时间序列预测值作为一列新的特征,加入先前的神经网络模型中,取得更高的预测精度。与传统机器学习和深度学习方法相比,结合更新过程与粒子群优化的反向传播神经网络(RP-PSO-BPNN)模型表现出色,具有较强的泛化能力,成功克服了传统方法中常见的局部最优问题。PSO算法在优化过程中的高效性得到了验证,相对于传统梯度下降方法,PSO算法显著减少了训练时间。此外,RP-PSO-BPNN模型在不同选定物资的实时序列波动上表现出良好的拟合,证实了其适用性和实用性。本研究通过提出的RP-PSO-BPNN模型为铁路物资,特别是非周期性消耗的铁路物资需求预测领域提供了具有增强预测准确性的方案。未来研究方向包括进一步优化模型结构、探索其他元启发式算法,以及引入更多领域特定因素以提升模型的泛化能力和适应性。
展开更多
关键词
铁路物资数据
物料预测
粒子群优化
反向传播神经网络
PSO-BPNN
泛化性
更新过程
在线阅读
下载PDF
职称材料
题名
结合更新过程与粒子群优化的BP神经网络铁路物资预测模型
1
作者
黄自力
蔡小强
金荣森
刘承亮
廖志刚
刘立法
孙晶
王芳
刘柏志
王劲
戴梦岚
机构
深圳市大数据研究院
香港中文大学(深圳)
中国铁道科学研究院集团
有限公司
电子计算技术研究所
广东数果科技有限公司
出处
《铁道科学与工程学报》
北大核心
2025年第7期3011-3024,共14页
基金
中国铁道科学研究院集团有限公司科研项目(2022YJ352)。
文摘
非周期性消耗的铁路运营物资(即偶换件),包括导轨、指示器、弹簧片、散热器组件、蓄电池标牌、灯头接头等,是铁路部门生产及经营的重要资源。由于该类物资的易耗性和偶然性,采用高精度的方法预测物资需求能够显著提升铁路部门的日常经营效率,也能加强灾害状态下铁路部门的反应能力。本研究聚焦于分析广州铁路集团各地区物资出库数据,由于铁路物资需求具有较大的随机性与偶然性,普通的拟合函数较难刻画其复杂的变动关系。因此,探讨一种基于粒子群优化(particle swarm optimization, PSO)与反向传播神经网络(backpropagation neural network, BPNN)的铁路物资需求预测方法。该方法基于神经网络优化中的频率原则及凝聚现象的理论基础,通过PSO对BPNN进行预训练,赋予其一个较大的初始化权重,使其最终能够学到一个较为复杂的拟合函数,从而刻画物资数据的复杂性与随机性。此外,针对部分具有高频次、高周转物理特性的物资,利用调整后的更新过程(renewal process, RP)对物资数据进行时间序列建模,然后将该时间序列预测值作为一列新的特征,加入先前的神经网络模型中,取得更高的预测精度。与传统机器学习和深度学习方法相比,结合更新过程与粒子群优化的反向传播神经网络(RP-PSO-BPNN)模型表现出色,具有较强的泛化能力,成功克服了传统方法中常见的局部最优问题。PSO算法在优化过程中的高效性得到了验证,相对于传统梯度下降方法,PSO算法显著减少了训练时间。此外,RP-PSO-BPNN模型在不同选定物资的实时序列波动上表现出良好的拟合,证实了其适用性和实用性。本研究通过提出的RP-PSO-BPNN模型为铁路物资,特别是非周期性消耗的铁路物资需求预测领域提供了具有增强预测准确性的方案。未来研究方向包括进一步优化模型结构、探索其他元启发式算法,以及引入更多领域特定因素以提升模型的泛化能力和适应性。
关键词
铁路物资数据
物料预测
粒子群优化
反向传播神经网络
PSO-BPNN
泛化性
更新过程
Keywords
railway materials data
material forecasting
particle swarm optimization
backpropagation neural network
PSO-BPNN
generalization
renewal process
分类号
U279.2 [机械工程—车辆工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
结合更新过程与粒子群优化的BP神经网络铁路物资预测模型
黄自力
蔡小强
金荣森
刘承亮
廖志刚
刘立法
孙晶
王芳
刘柏志
王劲
戴梦岚
《铁道科学与工程学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
