軌道維修時刻預測方法及裝置制造方法及圖紙

本發明專利技術提供了一種軌道維修時刻預測方法及裝置，該方法包括：根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據；從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點；根據軌道各單元區段的TQI隨時間變化的趨勢數據和軌道維修時刻點，構造趨勢數據的特征向量；利用特征向量訓練軌道維修預測模型，獲得訓練后的軌道維修預測模型；利用訓練后的軌道維修預測模型，預測軌道維修時刻。本發明專利技術可以用于對軌道維修時刻進行預測，準確率高。

Prediction method and device of track maintenance time

The invention provides a track maintenance time prediction method and device, the method includes: according to the track waveform data, obtaining the trend data of TQI changes with time in each unit section of the track; identifying the track maintenance time point from the trend data of TQI changes with time in each unit section of the track; according to the trend data and track dimension of TQI changes with time in each unit section of the track The maintenance time point is used to construct the characteristic vector of trend data; the track maintenance prediction model is trained by the characteristic vector to obtain the track maintenance prediction model after training; the track maintenance prediction model after training is used to predict the track maintenance time. The invention can be used for predicting track maintenance time with high accuracy.

【技術實現步驟摘要】
軌道維修時刻預測方法及裝置
本專利技術實施例涉及基礎設施領域，尤其涉及一種軌道維修時刻預測方法及裝置。
技術介紹
目前，軌道質量評價常采用軌道質量指數(TQI)來表示，TQI的計算過程如下：以設定距離的軌道區段作為單元區段(例如200m)，分別計算單元區段上水平、左高低、右高低、左軌向、右軌向、三角坑和軌距的軌道幾何不平順幅值的標準差，其中，上述每一項幾何不平順幅值的標準差稱為單項標準差，7個單項標準差之和則稱為該評價單元區段的軌道平順性綜合質量狀態的軌道質量指數(TQI)。TQI已經成為軌道質量評價的成熟且關鍵的指標之一，并為施工計劃提供數據上的支持，作業現場根據TQI的大小來確定區段的質量，并優先維修TQI較大的區段，同時TQI也用于維修后質量改善情況的評估。在軌道質量評價的基礎上，如果能夠預測后續需要對軌道進行維修的時刻(如維修日期)，將有效提高軌道維修的效率和準確率，目前一般靠人工根據TQI進行預測，準確率不高，因此目前缺乏對軌道維修時刻進行預測的有效方法。
技術實現思路
本專利技術實施例提出一種軌道維修時刻預測方法，用于對軌道維修時刻進行預測，準確率高，該方法包括：根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據；從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點；根據軌道各單元區段的TQI隨時間變化的趨勢數據和軌道維修時刻點，構造趨勢數據的特征向量；利用特征向量訓練軌道維修預測模型，獲得訓練后的軌道維修預測模型；利用訓練后的軌道維修預測模型，預測軌道維修時刻。本專利技術實施例提出一種軌道維修時刻預測裝置，用于對軌道維修時刻進行預測，準確率高，該裝置包括：趨勢數據獲得模塊，用于根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據；維修時刻點識別模塊，用于從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點；特征向量獲得模塊，用于根據軌道各單元區段的TQI隨時間變化的趨勢數據和軌道維修時刻點，構造趨勢數據的特征向量；軌道維修預測模型獲得模塊，用于利用特征向量訓練軌道維修預測模型，獲得訓練后的軌道維修預測模型；預測模塊，用于利用訓練后的軌道維修預測模型，預測軌道維修時刻。本專利技術實施例還提出了一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述軌道維修時刻預測方法。本專利技術實施例還提出了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有執行上述軌道維修時刻預測方法的計算機程序。在本專利技術實施例中，根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據；從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點；根據軌道各單元區段的TQI隨時間變化的趨勢數據和軌道維修時刻點，構造趨勢數據的特征向量；利用特征向量訓練軌道維修預測模型，獲得訓練后的軌道維修預測模型；上述趨勢數據的特征向量是通過TQI隨時間變化的趨勢數據和軌道維修時刻點構造的，相比人工預測方法，采用該趨勢數據的特征向量訓練出來的軌道維修預測模型預測的軌道維修時刻的準確率更高。附圖說明為了更清楚地說明本專利技術實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。在附圖中：圖1為本專利技術實施例中軌道維修時刻預測方法的流程圖；圖2為采用現有的毛刺剔除方法的剔除結果示意圖；圖3為本專利技術實施例中毛刺剔除流程；圖4為采用局部距離估計方法的異常點識別情況；圖5為采用改進的隔離森林方法的異常點識別情況；圖6為采用改進的隔離森林方法進行異常點識別時的直線擬合效果；圖7為采用迭代曲線擬合方法進行異常點識別的情況；圖8為本專利技術實施例中平穩變化的趨勢數據的示意圖；圖9為本專利技術實施例中線性增加的趨勢數據的示意圖；圖10為本專利技術實施例中前段線性增大后段平穩變化的趨勢數據的示意圖；圖11為本專利技術實施例中分段線性增大的趨勢數據的示意圖；圖12為TCN模型的示意圖；圖13為本專利技術實施例提出的軌道維修時刻預測方法的詳細流程圖；圖14為軌道維修時刻預測系統獲得的軌道波形數據的示意圖；圖15為軌道維修時刻預測系統異常點識別的示意圖；圖16為軌道維修時刻預測系統得到的滬昆高鐵的分類示意圖；圖17為本專利技術實施例中某線路3.8km-4.0km處的TQI數據的示意圖；圖18為本專利技術實施例提出的軌道維修時刻預測裝置的示意圖。具體實施方式為使本專利技術實施例的目的、技術方案和優點更加清楚明白，下面結合附圖對本專利技術實施例做進一步詳細說明。在此，本專利技術的示意性實施例及其說明用于解釋本專利技術，但并不作為對本專利技術的限定。圖1為本專利技術實施例中軌道維修時刻預測方法的流程圖，如圖1所示，該方法包括：步驟101，根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據；步驟102，從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點；步驟103，根據軌道各單元區段的TQI隨時間變化的趨勢數據和軌道維修時刻點，構造趨勢數據的特征向量；步驟104，利用特征向量訓練軌道維修預測模型，獲得訓練后的軌道維修預測模型；步驟105，利用訓練后的軌道維修預測模型，預測軌道維修時刻。在本專利技術實施例中，根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據；從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點；根據軌道各單元區段的TQI隨時間變化的趨勢數據和軌道維修時刻點，構造趨勢數據的特征向量；利用特征向量訓練軌道維修預測模型，獲得訓練后的軌道維修預測模型；上述趨勢數據的特征向量是通過TQI隨時間變化的趨勢數據和軌道維修時刻點構造的，相比人工預測方法，采用該趨勢數據的特征向量訓練出來的軌道維修預測模型預測的軌道維修時刻的準確率更高。具體實施時，軌道的一個單元區段一般為200m(或小于200m)，軌道各單元區段的TQI隨時間變化的趨勢數據可以形成一個矩陣。根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據的方法有多種，下面給出其中一個實施例。在一實施例中，根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據，包括：根據軌道波形數據，獲得軌道各單元區段的TQI數據，所述TQI數據包括TQI值和單項標準差；將軌道各單元區段的TQI數據按照日期和各單元區段所在里程進行排序，獲得軌道各單元區段的TQI隨時間變化的趨勢數據。在上述實施例中，可采用如下的滑動TQI公式計算軌道各單元區段的TQI數據：本文檔來自技高網...

【技術保護點】
1.一種軌道維修時刻預測方法，其特征在于，包括：/n根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據；/n從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點；/n根據軌道各單元區段的TQI隨時間變化的趨勢數據和軌道維修時刻點，構造趨勢數據的特征向量；/n利用特征向量訓練軌道維修預測模型，獲得訓練后的軌道維修預測模型；/n利用訓練后的軌道維修預測模型，預測軌道維修時刻。/n

【技術特征摘要】
1.一種軌道維修時刻預測方法，其特征在于，包括：
根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據；
從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點；
根據軌道各單元區段的TQI隨時間變化的趨勢數據和軌道維修時刻點，構造趨勢數據的特征向量；
利用特征向量訓練軌道維修預測模型，獲得訓練后的軌道維修預測模型；
利用訓練后的軌道維修預測模型，預測軌道維修時刻。


2.如權利要求1所述的軌道維修時刻預測方法，其特征在于，根據軌道波形數據，獲得軌道各單元區段的TQI隨時間變化的趨勢數據，包括：
根據軌道波形數據，獲得軌道各單元區段的TQI數據，所述TQI數據包括TQI值和單項標準差；
將軌道各單元區段的TQI數據按照日期和各單元區段所在里程進行排序，獲得軌道各單元區段的TQI隨時間變化的趨勢數據。


3.如權利要求2所述的軌道維修時刻預測方法，其特征在于，在根據軌道波形數據，獲得軌道各單元區段的TQI數據之前，還包括：
對軌道波形數據進行預處理；
根據軌道波形數據，獲得軌道各單元區段的TQI數據，包括：
根據預處理后的軌道波形數據，獲得軌道各單元區段的TQI數據。


4.如權利要求3所述的軌道維修時刻預測方法，其特征在于，對軌道波形數據進行預處理，包括：
剔除軌道波形數據中的無效數據；
對剔除無效數據后的軌道波形數據進行里程校正。


5.如權利要求1所述的軌道維修時刻預測方法，其特征在于，在從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點之前，還包括：
剔除軌道各單元區段的TQI隨時間變化的趨勢數據中的異常點。


6.如權利要求5所述的軌道維修時刻預測方法，其特征在于，采用如下方法中的其中一種或任意組合剔除軌道各單元區段的TQI隨時間變化的趨勢數據中的異常點：
局部距離估計方法，改進的隔離森林方法，迭代曲線擬合方法。


7.如權利要求5所述的軌道維修時刻預測方法，其特征在于，從軌道各單元區段的TQI隨時間變化的趨勢數據中，識別軌道維修時刻點，包括：
在TQI隨時間變化的趨勢數據中，若一時刻的TQI值或單項標準差小于第一閾值，確定該時刻為異常軌道維修時刻點，剔除該異常軌道維修時刻點；
從剔除異常軌道維修時刻點的TQI隨時間變化的趨勢數據中，確定任意兩個時刻對應的TQI值的差值中的最小值，和任意兩個時刻對應的TQI值的差值中的最大值；
根據任意兩個時刻對應的TQI值的差值中的最小值，和任意兩個時刻對應的TQI值的差值中的最大值，確定第二閾值；
對TQI值隨時間變化的趨勢數據中的每一時刻，獲得該時刻之前的所有時刻對應的TQI值的均值，計算該時刻對應的TQI值與所述均值的差值，在所述差值大于第二閾值時，確定該時刻為軌道維修時刻點。


8.如權利要求7所述的軌道維修時刻預測方法，其特征在于，采用如下公式，根據任意兩個時刻對應的TQI值的差值中...

【專利技術屬性】
技術研發人員：楊飛，靳海濤，尤明熙，張煜，趙文博，
申請(專利權)人：中國鐵路總公司，中國鐵道科學研究院集團有限公司，中國鐵道科學研究院集團有限公司基礎設施檢測研究所，北京鐵科英邁技術有限公司，
類型：發明
國別省市：北京;11