基于人工神經網絡的高鐵列車晚點等級預測方法
發(fā)布時間：2021-07-17 10:57
近年來隨著中國高速鐵路網的擴建與高速鐵路出行服務質量的提升,高速列車已經成為中國最主要的出行方式之一。預計到2025年,全國鐵路網里程將長達17.5萬公里,其中高速鐵路占總長度20%以上,將會覆蓋超過80%的大城市。高速度、高密度的高鐵運行方式給鐵路運輸組織帶來了巨大的挑戰(zhàn)。高速行駛的列車在運行過程中不可避免地會受到各種因素的干擾,最終導致列車不能按照圖定計劃準時到達,產生晚點。晚點不僅會影響本列列車的運行,還會在區(qū)段內傳播擴散,造成其他列車的晚點。因此把握列車晚點情況,實時預測列車晚點對于現(xiàn)場調度意義重大。鑒于列車晚點等級能讓調度員更敏感地捕捉晚點信息,本文構建基于神經網絡的晚點預測模型預測列車到站晚點等級,具體研究工作包括:（1）本文首先分析了人工神經網絡對列車晚點的預測機理,并建立了根據(jù)前方列車群晚點情況,預測后方列車晚點等級的預測機制,基于此確定訓練人工神經網絡晚點等級預測模型所需樣本數(shù)據(jù)形式,并給定晚點等級劃分標準。（2）根據(jù)模型訓練需求,從鐵路集團數(shù)據(jù)庫中篩選歷史晚點數(shù)據(jù),結合列車運行圖特性,構建符合網絡模型輸入與輸出需求的晚點樣本。（3）基于深度學習數(shù)據(jù)處理法則,對樣本進...
【文章來源】：西南交通大學四川省 211工程院校 教育部直屬院校
【文章頁數(shù)】：77 頁
【學位級別】：碩士
【部分圖文】：
神經網絡模型學習機理與人類學習機理對比
圖 2-2 神經網絡模型網絡的晚點預測模型原理晚點等級分類預測模型是建立在晚點等級況的進行等級預測。測神經網絡模型所示的晚點樣本，表中的每一個值 都是影部分的 × 矩陣是樣本輸入，右下方陰 y。神經網絡以 × 的矩陣作為輸入，輸量 。本輸入神經網絡，神經網絡通過反向傳播本目標值 y，直至獲得滿意的訓練結果。點數(shù)據(jù)以左上角陰影的形式輸入訓練完成
圖 2-12 數(shù)據(jù)庫中運行線 ID 為 1393549335 的運行車次運行數(shù)據(jù)圖 2-12 中列車運行時刻表經過一定的處理，也可以表達為列車運行數(shù)據(jù)的圖解形式，即列車運行圖。列車運行圖是列車運行數(shù)據(jù)矩陣表達方式的直觀理解，列車運行矩陣則是列車運行圖和列車運行時刻表的數(shù)學表達形式。2.3.2 列車晚點矩陣在列車運行圖矩陣表達形式的基礎上，構建列車晚點矩陣，將列車晚點數(shù)據(jù)以矩陣的形式更直觀地表達出來，作為后期神經網絡的輸入數(shù)據(jù)。構建列車晚點矩陣是建立神經網絡輸入向量的基礎。本文建立的列車晚點矩陣為圖 2-13 所示列車晚點時刻表的矩陣表達。時刻表中 為列車某該時刻到達某站點的實績到達時間與圖定到達時間差值。首先選定試驗研究區(qū)域的站點，作為列車晚點矩陣的行 ， 個站點按上下行依次排放。將列車到達某站作為參考事件，記錄該區(qū)域內所有事件發(fā)生（即有列車到達）的時間點，作為列車晚點矩陣的列 。通過這樣的表達方
【參考文獻】：
期刊論文
[1]基于深度神經網絡的手寫數(shù)字識別模擬研究[J]. 宋曉茹,吳雪,高嵩,陳超波. 科學技術與工程. 2019(05)
[2]一種調度區(qū)段晚點時長的神經網絡預測模型[J]. 曾壹,陳峰,金博匯. 鐵道標準設計. 2019(03)
[3]基于神經網絡的海量GPS數(shù)據(jù)交通流量預測[J]. 蒲斌,李浩,盧晨陽,王治輝,劉華. 云南大學學報(自然科學版). 2019(01)
[4]深度學習優(yōu)化算法研究[J]. 仝衛(wèi)國,李敏霞,張一可. 計算機科學. 2018(S2)
[5]城市軌道交通客流預測的BP神經網絡分析與實現(xiàn)[J]. 王茁,張文博,王義智. 交通與運輸. 2018(05)
[6]高速鐵路運營安全風險管理研究[J]. 李剛. 設備管理與維修. 2018(17)
[7]基于Mini-batch神經網絡的船舶柴油機風險等級預測[J]. 尚前明,王瀟,曹召,劉治江,鄧曉光. 中國修船. 2018(04)
[8]武廣高速鐵路列車晚點恢復時間預測的隨機森林模型[J]. 黃平,彭其淵,文超,楊宇翔. 鐵道學報. 2018(07)
[9]高速鐵路非正常情況下列車運行調整方法研究[J]. 郭驍. 上海鐵道科技. 2018(02)
[10]4月國家鐵路多項重要指標創(chuàng)新高[J]. 鐵路采購與物流. 2018(05)
博士論文
[1]高速鐵路高密度開行目標下運行圖魯棒性及其接續(xù)優(yōu)化[D]. 路超.北京交通大學 2018
[2]復雜線路列車晚點控制優(yōu)化策略及方法[D]. 袁志明.中國鐵道科學研究院 2016
[3]不平衡數(shù)據(jù)學習的研究[D]. 李軍.吉林大學 2011
碩士論文
[1]基于TOPSIS和貝葉斯網絡的高速鐵路客運站安全評價及風險管控研究[D]. 宋雨欣.北京交通大學 2018
[2]高速鐵路列車運行調整及時空穩(wěn)態(tài)分析研究[D]. 樊瑩瑩.北京交通大學 2018
[3]基于GS準則的小批量塊坐標下降法[D]. 鄭若辰.北京交通大學 2018
[4]基于離散螢火蟲算法的高速列車運行調整問題研究[D]. 段少楠.北京交通大學 2018
[5]軌道交通短期客流預測及與公交換乘協(xié)調研究[D]. 謝天.北京交通大學 2017
[6]基于復雜網絡理論的列車運行圖穩(wěn)定性優(yōu)化研究[D]. 王金霞.蘭州交通大學 2016
[7]基于LSSVM建立發(fā)酵過程動態(tài)模型及其參數(shù)優(yōu)化[D]. 孫鑫.北京工業(yè)大學 2013
本文編號：3288041
【文章來源】：西南交通大學四川省 211工程院校 教育部直屬院校
【文章頁數(shù)】：77 頁
【學位級別】：碩士
【部分圖文】：
神經網絡模型學習機理與人類學習機理對比
圖 2-2 神經網絡模型網絡的晚點預測模型原理晚點等級分類預測模型是建立在晚點等級況的進行等級預測。測神經網絡模型所示的晚點樣本，表中的每一個值 都是影部分的 × 矩陣是樣本輸入，右下方陰 y。神經網絡以 × 的矩陣作為輸入，輸量 。本輸入神經網絡，神經網絡通過反向傳播本目標值 y，直至獲得滿意的訓練結果。點數(shù)據(jù)以左上角陰影的形式輸入訓練完成
圖 2-12 數(shù)據(jù)庫中運行線 ID 為 1393549335 的運行車次運行數(shù)據(jù)圖 2-12 中列車運行時刻表經過一定的處理，也可以表達為列車運行數(shù)據(jù)的圖解形式，即列車運行圖。列車運行圖是列車運行數(shù)據(jù)矩陣表達方式的直觀理解，列車運行矩陣則是列車運行圖和列車運行時刻表的數(shù)學表達形式。2.3.2 列車晚點矩陣在列車運行圖矩陣表達形式的基礎上，構建列車晚點矩陣，將列車晚點數(shù)據(jù)以矩陣的形式更直觀地表達出來，作為后期神經網絡的輸入數(shù)據(jù)。構建列車晚點矩陣是建立神經網絡輸入向量的基礎。本文建立的列車晚點矩陣為圖 2-13 所示列車晚點時刻表的矩陣表達。時刻表中 為列車某該時刻到達某站點的實績到達時間與圖定到達時間差值。首先選定試驗研究區(qū)域的站點，作為列車晚點矩陣的行 ， 個站點按上下行依次排放。將列車到達某站作為參考事件，記錄該區(qū)域內所有事件發(fā)生（即有列車到達）的時間點，作為列車晚點矩陣的列 。通過這樣的表達方
【參考文獻】：
期刊論文
[1]基于深度神經網絡的手寫數(shù)字識別模擬研究[J]. 宋曉茹,吳雪,高嵩,陳超波. 科學技術與工程. 2019(05)
[2]一種調度區(qū)段晚點時長的神經網絡預測模型[J]. 曾壹,陳峰,金博匯. 鐵道標準設計. 2019(03)
[3]基于神經網絡的海量GPS數(shù)據(jù)交通流量預測[J]. 蒲斌,李浩,盧晨陽,王治輝,劉華. 云南大學學報(自然科學版). 2019(01)
[4]深度學習優(yōu)化算法研究[J]. 仝衛(wèi)國,李敏霞,張一可. 計算機科學. 2018(S2)
[5]城市軌道交通客流預測的BP神經網絡分析與實現(xiàn)[J]. 王茁,張文博,王義智. 交通與運輸. 2018(05)
[6]高速鐵路運營安全風險管理研究[J]. 李剛. 設備管理與維修. 2018(17)
[7]基于Mini-batch神經網絡的船舶柴油機風險等級預測[J]. 尚前明,王瀟,曹召,劉治江,鄧曉光. 中國修船. 2018(04)
[8]武廣高速鐵路列車晚點恢復時間預測的隨機森林模型[J]. 黃平,彭其淵,文超,楊宇翔. 鐵道學報. 2018(07)
[9]高速鐵路非正常情況下列車運行調整方法研究[J]. 郭驍. 上海鐵道科技. 2018(02)
[10]4月國家鐵路多項重要指標創(chuàng)新高[J]. 鐵路采購與物流. 2018(05)
博士論文
[1]高速鐵路高密度開行目標下運行圖魯棒性及其接續(xù)優(yōu)化[D]. 路超.北京交通大學 2018
[2]復雜線路列車晚點控制優(yōu)化策略及方法[D]. 袁志明.中國鐵道科學研究院 2016
[3]不平衡數(shù)據(jù)學習的研究[D]. 李軍.吉林大學 2011
碩士論文
[1]基于TOPSIS和貝葉斯網絡的高速鐵路客運站安全評價及風險管控研究[D]. 宋雨欣.北京交通大學 2018
[2]高速鐵路列車運行調整及時空穩(wěn)態(tài)分析研究[D]. 樊瑩瑩.北京交通大學 2018
[3]基于GS準則的小批量塊坐標下降法[D]. 鄭若辰.北京交通大學 2018
[4]基于離散螢火蟲算法的高速列車運行調整問題研究[D]. 段少楠.北京交通大學 2018
[5]軌道交通短期客流預測及與公交換乘協(xié)調研究[D]. 謝天.北京交通大學 2017
[6]基于復雜網絡理論的列車運行圖穩(wěn)定性優(yōu)化研究[D]. 王金霞.蘭州交通大學 2016
[7]基于LSSVM建立發(fā)酵過程動態(tài)模型及其參數(shù)優(yōu)化[D]. 孫鑫.北京工業(yè)大學 2013
本文編號：3288041
本文鏈接：http://www.sikaile.net/kejilunwen/jiaotonggongchenglunwen/3288041.html
