軌道質(zhì)量指數(shù)（TQI）是制定軌道維修計劃的基礎(chǔ),具有隨時間緩慢變化并伴有隨機波動的特點,現(xiàn)有模型難以有效預測這種變化。為了提升TQI隨時間和條件變化的預測精度,提出一種改進非等時距灰色組合IGM-PSO-Elman預測模型。通過優(yōu)化一階累加過程和背景值計算,在參數(shù)求解中植入權(quán)重矩陣對傳統(tǒng)灰色模型進行了改進,提高了軌道狀態(tài)的預測精度;利用經(jīng)粒子群算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)對該模型的預測殘差值進行了校正,進一步降低了預測誤差。選取平均相對誤差、均方根誤差、決定系數(shù)、相關(guān)系數(shù)4個評價指標,利用實測數(shù)據(jù)與文獻數(shù)據(jù)對該組合模型進行了驗證,并研究了樣本數(shù)對預測精度的影響。結(jié)果表明:增加樣本數(shù)可以提高預測精度;該組合模型比傳統(tǒng)灰色模型預測精度更高,能夠為制定線路狀態(tài)維修計劃提供技術(shù)支持。 

【文章來源】：鐵道建筑. 2020,60(11)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
1 改進非等時距灰色預測模型
    1.1 1-AGO序列優(yōu)化
    1.2 背景值優(yōu)化
    1.3 參數(shù)求解優(yōu)化
2 殘差修正模型
3 IGM-PSO-Elman模型
4 模型驗證
5 訓練樣本數(shù)對預測結(jié)果的影響
6 結(jié)語


【參考文獻】：
期刊論文
[1]改進不等時距權(quán)重的灰色殘差組合修正模型及其應(yīng)用[J]. 徐剛年,高全亭,解俊海,王有志,王來永,武俊彥.  測繪通報. 2019(01)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的鐵路軌道幾何不平順預測方法[J]. 彭麗宇,張進川,茍娟瓊,李學偉.  鐵道學報. 2018(09)
[3]基于改進GM（1,1）與WOA-LSSVM組合預測模型的軌道不平順預測[J]. 馮超,余朝剛,孫雷,秦鑫.  鐵道標準設(shè)計. 2019(04)
[4]基于支持向量機的軌道不平順預測研究[J]. 于瑤,劉仍奎,王福田.  鐵道科學與工程學報. 2018(07)
[5]基于非等間距灰色模型和Elman神經(jīng)網(wǎng)絡(luò)的軌道質(zhì)量預測[J]. 馬子驥,唐濤,劉宏立,彭強,金灘.  哈爾濱工業(yè)大學學報. 2018(05)
[6]基于非等時距加權(quán)灰色模型與神經(jīng)網(wǎng)絡(luò)的軌道不平順預測[J]. 韓晉,楊岳,陳峰,吳湘華.  鐵道學報. 2014(01)
[7]基于灰色理論的軌道幾何狀態(tài)中長期時變參數(shù)預測模型的研究[J]. 曲建軍,高亮,田新宇,辛濤.  鐵道學報. 2010(02)
[8]基于概率分布的軌道不平順發(fā)展統(tǒng)計預測[J]. 高建敏,翟婉明,徐涌,陳東生.  鐵道科學與工程學報. 2006(06)
[9]用于鐵路軌道不平順預測的綜合因子法[J]. 陳憲麥,王瀾,楊鳳春,柴雪松,吳旺青.  中國鐵道科學. 2006(06)

博士論文
[1]基于提速線路TQI的軌道不平順預測與輔助決策技術(shù)的研究[D]. 曲建軍.北京交通大學 2011



本文編號：3150411