【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及軌道交通預測模型，進一步涉及軌道結(jié)構(gòu)和動力學預測模型，具體涉及一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法。
技術(shù)介紹
1、我國高速鐵路已經(jīng)從大規(guī)模建造期逐漸過渡到運營維護期。軌道結(jié)構(gòu)是直接影響列車運行平穩(wěn)性、安全性及舒適性的重要因素之一，因此加強對軌道結(jié)構(gòu)服役狀態(tài)和動態(tài)響應的快速評估極其重要。一般采用建立仿真模型來滿足對軌道結(jié)構(gòu)的快速精確評估的需求，目前主要采用是精細化的動力學仿真模型，但精細化建模時間成本巨大，因此需要全新的預測模型來代替?zhèn)鹘y(tǒng)仿真模型，實現(xiàn)軌道結(jié)構(gòu)動態(tài)響應快速準確且高效的輸出，進而實現(xiàn)對軌道結(jié)構(gòu)動力狀態(tài)的綜合評價。本專利技術(shù)提供一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法解決上述問題。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)提供一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，進行預測模型的構(gòu)建，搭建的預測模型用于高速鐵路、城市軌道交通及重載鐵路等線路的軌道結(jié)構(gòu)動力響應預測。
2、本專利技術(shù)解決上述技術(shù)問題所采用的技術(shù)方案是：
3、一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是，包括以下步驟：
4、s1，進行基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的搭建；預測模型的結(jié)構(gòu)包括輸入層、輸出層、循環(huán)層和全連接層，輸入層、輸出層、循環(huán)層和全連接層相互平行，數(shù)據(jù)在輸入層輸入，依次經(jīng)過循環(huán)層和全連接層后經(jīng)由輸出層輸出，完成預測模型結(jié)構(gòu)的搭建；
5、預測模型中，單層序列的長度為t，輸入及輸出均采用向量
6、s2，對預測模型進行訓練：采用定時后向傳播算法，每次梯度計算均隨機選取訓練集中的一個子集，子集內(nèi)樣本含量均為n，序列長度為t，損失函數(shù)采用均方誤差；
7、預測模型的訓練具體包括以下步驟，
8、s21，對數(shù)據(jù)進行標準化：訓練集為{x,y}＝{[x1,x2,...,xn],[y1,y2,...,yn]}，其中n和m分別表示輸入和輸出的維度；采用z-score標準化方法處理訓練集，采用均值和標準差對數(shù)據(jù)進行標準化處理，處理后的數(shù)據(jù)符合均值為0、方差為1的標準正態(tài)分布；
9、標準化處理公式如下：
10、
11、式中，x*為標準化后的數(shù)據(jù)；μ和σ分別是平均和標準差；
12、s22，對標準化后的數(shù)據(jù)子集進行隨機選取和數(shù)據(jù)規(guī)整：從標準化的數(shù)據(jù)集中隨機選取n段序列作為子集，每段序列長度為t，之后將選取的數(shù)據(jù)規(guī)整成3維張量(tensor)形式，使用{xn，yn}表示，xn和yn的維度分別為n×t×n和n×t×m；
13、s23，正向傳播：首先初始化模型參數(shù)和循環(huán)層初始狀態(tài)，選取訓練數(shù)據(jù)xn輸入預測模型中，得到輸出值根據(jù)目標值yn得到損失函數(shù)；
14、具體算式如下：
15、
16、為避免預測模型在訓練過程中出現(xiàn)過擬合現(xiàn)象，在損失函數(shù)公式中加入模型參數(shù)ξ(包含權(quán)重和偏置)的正則化項，得到正則化的損失函數(shù)如下：
17、
18、式中，λ為正則化系數(shù)；
19、s24，誤差傳播：沿時間方向和逐層向下的方向進行誤差傳播；
20、s25，更新模型參數(shù)：通過計算隱含層狀態(tài)對模型參數(shù)ξ的偏導數(shù)完成對模型參數(shù)的更新：
21、
22、式中，η為學習率；hi代表或
23、s26，訓練終止：重復步驟s22-s25直到設(shè)定的訓練次數(shù)后終止訓練；
24、s3，進行預測模型預測；不斷輸入和輸出數(shù)據(jù)的同時并保存處于末端的模型循環(huán)層單元的狀態(tài)h，當新的數(shù)據(jù)輸入時，上一組數(shù)據(jù)的h又作為新一組數(shù)據(jù)的初始狀態(tài)，并進行新一輪預測，往復循環(huán)不斷更新循環(huán)層內(nèi)節(jié)點的狀態(tài)，使得循環(huán)層內(nèi)節(jié)點充分考慮前后數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系；
25、s4，選定預測模型性能評價指標；采用絕對和相對評價指標對預測模型的性能進行評價；
26、s5，對預測模型進行優(yōu)化研究，進一步提高預測模型的輸出精度和魯棒性；
27、s6，對預測模型的性能進行對比驗證，包括預測精度的對比驗證和模型求解效率的對比分析；
28、s7，在預測精度和模型求解效率達到預期時，完成預測模型的構(gòu)建。
29、進一步地，步驟s1中，輸入數(shù)據(jù)為軸箱加速度和軌道不平順參數(shù)，輸出數(shù)據(jù)為鋼軌、軌道板及橋梁的位移和加速度的動態(tài)響應，并通過循環(huán)層堆疊增加預測模型的結(jié)構(gòu)層數(shù)。
30、進一步地，步驟s24中，沿時間方向向下傳播，從t到1沿時間反向依次計算損失函數(shù)對第i個時間步隱含層狀態(tài)的偏導數(shù)：
31、
32、誤差逐層向下傳播，計算損失函數(shù)對隱含層狀態(tài)的偏導數(shù)：
33、
34、進一步地，步驟s4中，絕對評價指標指預測值與目標值間的絕對誤差，包括均方根誤差(rmse)和平均絕對誤差(mae)：
35、
36、相對評價指標指的是預測值與目標值間的相對誤差，包括平均絕對百分比誤差(mape)和相關(guān)系數(shù)r：
37、
38、式中，cov(·)和var(·)分別表示協(xié)方差和方差。
39、進一步地，步驟s5中，預測模型進行優(yōu)化研究包括模型結(jié)構(gòu)參數(shù)優(yōu)化和模型絡(luò)訓練參數(shù)優(yōu)化；
40、模型結(jié)構(gòu)參數(shù)包括預測模型的隱含層節(jié)點數(shù)和循環(huán)層層數(shù)，以rmse為參考指標，分析隱含層節(jié)點數(shù)和循環(huán)層層數(shù)對預測模型的輸出精度的影響；
41、模型訓練參數(shù)包括批處理尺寸、自適應學習率和丟棄概率，以rmse為參考指標，確定批處理尺寸的具體選擇，確定自適應學習率的具體選擇，并以keep_prob參數(shù)確定丟棄概率。
42、進一步地，自適應學習率通過初始學習率和自適應優(yōu)化算法的確定，以rmse為參考指標確定初始學習率和自適應優(yōu)化算法的最優(yōu)組合。
43、進一步地，自適應優(yōu)化算法包括adagrad算法、rmsprop算法、adam算法和adamdelta算法；
44、adagrad算法的公式如下：
45、
46、式中，θ是待更新參數(shù)；l(·)為損失函數(shù)；ε是避免零除的平滑項；
47、rmsprop算法的公式如下：
48、
49、式中，β為超參數(shù)，取0.9；
50、adam算法的公式如下：
51、
52、di＝β1di-1+(1-β1)gθ
53、
54、式中和是對di和si的偏置校正；β1取0.9，β2取0.999；
55、adamdelta算法的公式如下：
56、
57、式中，γ為超參數(shù)。
58、進一步地，將訓練集分成一批批的數(shù)據(jù)輸入到模型中進行訓練，每一批的數(shù)據(jù)都要經(jīng)歷一次正向傳播、損失計算和誤差反向傳播，并對模型的權(quán)值和偏置進行更新，上本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟S1中，輸入數(shù)據(jù)為軸箱加速度和軌道不平順參數(shù)，輸出數(shù)據(jù)為鋼軌、軌道板及橋梁的位移和加速度的動態(tài)響應，并通過循環(huán)層堆疊增加預測模型的結(jié)構(gòu)層數(shù)。
3.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟S24中，沿時間方向向下傳播，從T到1沿時間反向依次計算損失函數(shù)對第i個時間步隱含層狀態(tài)的偏導數(shù)：
4.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟S4中，絕對評價指標指預測值與目標值間的絕對誤差，包括均方根誤差(RMSE)和平均絕對誤差(MAE)：
5.根據(jù)權(quán)利要求4所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟S5中，預測模型進行優(yōu)化研究包括模型結(jié)構(gòu)參數(shù)優(yōu)化和模型訓練參數(shù)優(yōu)化；
6.根據(jù)權(quán)利要求5所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，
7.根據(jù)權(quán)利要求6所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：自適應優(yōu)化算法包括AdaGrad算法、RMSProp算法、Adam算法和AdamDelta算法；
8.根據(jù)權(quán)利要求5所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：將訓練集分成一批批的數(shù)據(jù)輸入到模型中進行訓練，每一批的數(shù)據(jù)均經(jīng)歷一次正向傳播、損失計算和誤差反向傳播，并對模型的權(quán)值和偏置進行更新，上述每一批輸入的數(shù)據(jù)量為批處理尺寸。
9.根據(jù)權(quán)利要求5所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：采用丟棄緩解過擬合現(xiàn)象的發(fā)生，丟棄是指當數(shù)據(jù)在前向傳播時，通過一定概率p使得部分神經(jīng)元停止工作，增強模型的泛化能力；
10.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟S6中，通過預測模型的預測值與目標值進行對比確定模型預測精度，通過預測模型的預測時間與仿真模型的求解時間進行對比確定模型求解效率。
...【技術(shù)特征摘要】
1.一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟s1中，輸入數(shù)據(jù)為軸箱加速度和軌道不平順參數(shù)，輸出數(shù)據(jù)為鋼軌、軌道板及橋梁的位移和加速度的動態(tài)響應，并通過循環(huán)層堆疊增加預測模型的結(jié)構(gòu)層數(shù)。
3.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟s24中，沿時間方向向下傳播，從t到1沿時間反向依次計算損失函數(shù)對第i個時間步隱含層狀態(tài)的偏導數(shù)：
4.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟s4中，絕對評價指標指預測值與目標值間的絕對誤差，包括均方根誤差(rmse)和平均絕對誤差(mae)：
5.根據(jù)權(quán)利要求4所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：步驟s5中，預測模型進行優(yōu)化研究包括模型結(jié)構(gòu)參數(shù)優(yōu)化和模型訓練參數(shù)優(yōu)化；
6.根據(jù)權(quán)利要求5所述的一種基于數(shù)據(jù)驅(qū)動的軌道結(jié)構(gòu)動力學預測模型的構(gòu)建方法，其特征是：自適應學習率...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：姜涵文，王東，趙伊楠，高亮，劉增杰，李毅，王國戰(zhàn)，董文秀，張坤，于木里，徐永力，
申請(專利權(quán))人：中建交通建設(shè)集團有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。