【技術實現步驟摘要】
本專利技術屬于信息預測方法，具體涉及基于數據生成與貝葉斯框架下ls-svr的軌道不平順預測方法。
技術介紹
1、根據2023-2030年全球鐵路運輸發(fā)展預測，預計未來幾年鐵路運輸客運和貨運需求將持續(xù)增長。其中軌道是交通運輸系統(tǒng)的關鍵和基礎部分，但由于交通荷載和地質因素的影響，鐵路軌道會發(fā)生幾何變形。這種幾何變形導致列車與軌道相互作用，產生累積塑性應變即軌道不平順，導致輪軌界面處的動力增加。當軌道的不平順狀態(tài)超過閾值，列車和軌道之間的相互作用過程會對周邊地區(qū)造成噪聲和振動污染，甚至導致列車脫軌，造成巨大的生命和財產損失。
2、當前基礎設施管理部門(instruction?managers,ims)通過軌道維護作業(yè)使軌道的不平順狀態(tài)恢復至正常狀態(tài)。維護作業(yè)的優(yōu)劣取決于維護作業(yè)進行的時間點，過于頻繁地進行維護作業(yè)不僅會帶來高昂的維護成本，影響鐵路運輸的正常運營；然而不及時的維護作業(yè)將使軌道的不平順狀態(tài)超過閾值，影響鐵路運輸服務質量，造成噪聲和振動污染，甚至安全事故。僅在2018年，歐盟用于鐵路維護的費用超過206億歐元，占全年鐵路設施維護費用總額的50％以上。因此，理想的軌道維護作業(yè)計劃是在保證軌道不平順狀態(tài)接近閾值前進行維護作業(yè)，恢復軌道的不平順狀態(tài)。
3、準確地預測軌道的不平順狀態(tài)，是ims為鐵路運輸系統(tǒng)制定可靠且具有成本效益的軌道維護計劃的關鍵。現有的軌道不平順狀態(tài)預測方法大致分為：基于物理模型的預測方法和數據驅動的預測方法。基于物理模型的方法依賴于對軌道不平順狀態(tài)進行建模，但軌道不平順狀態(tài)的形成和發(fā)展十
技術實現思路
1、本專利技術的目的是提供基于數據生成與貝葉斯框架下ls-svr的軌道不平順預測方法，解決了現有的軌道不平順預測方法精度不高、可靠性差且難以量化的問題。
2、本專利技術所采用的技術方案是，基于數據生成與貝葉斯框架下ls-svr的軌道不平順預測方法，具體按以下步驟實施：
3、步驟1，固定時間間隔，收集軌道區(qū)段的幾何形變數據；
4、步驟2，基于步驟1收集的數據，計算軌道質量狀態(tài)，獲得軌道的綜合不平順狀態(tài)，并記錄維護作業(yè)時間點；
5、步驟3，通過滑動窗口移位采樣將軌道不平順狀態(tài)數據轉變?yōu)槿S數據，將產生的三維數據輸入數據生成模型中以輸出生成數據；
6、步驟4，使用步驟2和步驟3所得數據構建貝葉斯框架下的ls-svr軌道不平順預測模型；
7、步驟5，使用ls-svr得到軌道未來的不平順狀態(tài)。
8、本專利技術的特點還在于：
9、步驟2具體按照以下步驟實施：
10、步驟2.1，計算軌道形變數據的均值和標準差得到軌道狀態(tài)指標
11、步驟2.2，計算所有時間點tqi的最小值tqimin和最大值tqimax；
12、步驟2.3，將步驟2.2所得數據通過最小最大歸一化方法映射至實數區(qū)間[0,1]。
13、步驟3具體按照以下步驟實施：
14、步驟3.1，基于步驟2所得數據和記錄的維護時間點，將軌道不平順狀態(tài)數據劃分，記為其中t為采集數據的時間點，m為維護作業(yè)的次數；
15、步驟3.2，以長度為l的滑動窗口沿時間軸對步驟3.1所得數據采樣，滑動窗口移動間隔為h，得到t-1個時間軸長為l的二維矩陣；
16、步驟3.3，將步驟3.2所得的二維矩陣沿滑動窗口移動順序拼接為三維矩陣，形狀為[t-1,l,m]；
17、步驟3.4，將步驟3.3所得到的數據輸入進timegan網絡中以輸出生成數據。
18、步驟4具體按照以下步驟實施：
19、步驟4.1，通過滑動窗口構造訓練集，即通過[xi-1,xi-2,…xi-k]預測xi；
20、步驟4.2，構建ls-svr的目標函數；
21、步驟4.3，通過線性搜索σ最大化似然函數p(d|σ)得到最優(yōu)核函數σmp；
22、步驟4.4，基于σmp通過推斷最優(yōu)超參數μmp和其中預測模型h為ls-svr，μ和為ls-svr目標函數的可變超參數，d為步驟3和步驟4獲得數據的拼接結果；
23、步驟4.5，基于步驟2和步驟3獲得的真實數據和生成數據，通過最大化后驗概率獲得預測模型h的最優(yōu)參數ωmp和bmp。
24、步驟5具體按照以下步驟實施:
25、步驟5.1，將模型參數ω和b邊緣化操作得到ω和b的邊緣分布
26、步驟5.2，預測結果的期望可表示為預測方差可表示為其中
27、步驟5.3，基于期望y和方差σ2可得到95％置信區(qū)間的上下界[y-(1.96×σ),y+(1.96×σ)]。
28、本專利技術的有益效果是：
29、本專利技術基于數據生成與貝葉斯框架下ls-svr的軌道不平順預測方法，考慮了軌道平順狀態(tài)本身的不確定性和預測模型誤差的不確定性，實現了以期望代替預測值，以方差表示不確定性的更精確更可靠的軌道不平順預測，克服了數據驅動方法在小樣本條件下精度較差的問題。通過貝葉斯框架確定ls-svr的超參數，考慮軌道不平順狀態(tài)不確定性，使ls-svr輸出預測結果的概率分布而非單一的預測值，最終得到了可靠的軌道不平順狀態(tài)預測結果。
本文檔來自技高網...【技術保護點】
1.基于數據生成與貝葉斯框架下LS-SVR的軌道不平順預測方法，其特征在于，具體按以下步驟實施：
2.根據權利要求1所述的基于數據生成與貝葉斯框架下LS-SVR的軌道不平順預測方法，其特征在于，所述步驟2具體按照以下步驟實施：
3.根據權利要求1所述的基于數據生成與貝葉斯框架下LS-SVR的軌道不平順預測方法，其特征在于，所述步驟3具體按照以下步驟實施：
4.根據權利要求1所述的基于數據生成與貝葉斯框架下LS-SVR的軌道不平順預測方法，其特征在于，所述步驟4具體按照以下步驟實施：
5.根據權利要求1所述的基于數據生成與貝葉斯框架下LS-SVR的軌道不平順預測方法，其特征在于，所述步驟5具體按照以下步驟實施:
【技術特征摘要】
1.基于數據生成與貝葉斯框架下ls-svr的軌道不平順預測方法，其特征在于，具體按以下步驟實施：
2.根據權利要求1所述的基于數據生成與貝葉斯框架下ls-svr的軌道不平順預測方法，其特征在于，所述步驟2具體按照以下步驟實施：
3.根據權利要求1所述的基于數據生成與貝葉斯框架下ls-svr的軌道不平順預測方...
【專利技術屬性】
技術研發(fā)人員：童新宇，孟海寧，姬文江，李夢陽，柳宇，張嘉薇，黑新宏，
申請(專利權)人：西安理工大學，
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。