论文部分内容阅读
近年来,随着机器学习与数据挖掘的迅速发展,时间序列数据的智能处理和分析在各行各业得到了广泛应用。行业时间序列数据呈现出大数据量、高复杂性、非线性的特点,因此对其的判别、预测等也面临极大的挑战。铁路轨道动检数据是由轨检车等检测设备采集的多元时间序列数据,不仅反映铁路基础设施的当前服役状态,而且蕴含丰富的状态演化信息,将先进的机器学习与数据挖掘技术应用于基于轨道动检数据的状态预测任务中,为铁路工务部门日常的养护、维修提供技术支撑,对于保障铁路运营安全,提高数据资源的利用率具有重要的理论意义和实用价值。本文从时间序列预测模型的研究出发,针对铁路工务部门对高速轨道形变预测的任务,重点研究桥梁徐变上拱预测模型以及CPⅢ差异沉降预测模型,本文的主要工作及研究成果包括:(1)针对桥梁数据分类提取问题,提出了一种基于轨道动检高低不平顺数据的多项式逻辑回归桥梁分类方法,首先对轨道动检高低不平顺数据波形进行分段处理,然后对分段后波形进行特征提取,最后通过多项式逻辑回归算法进行分类。通过在验证集上进行分类验证实验证明了所提出的桥梁数据分类提取的有效性。(2)针对高速铁路桥梁徐变上拱预测问题,提出了一种基于LSTM神经网络的桥梁徐变上拱预测模型,首先构建时间维度上的桥梁数据集,然后计算某一跨桥梁在每一时刻的徐变上拱值,构建出桥梁徐变上拱的时间序列数据,最后通过基于LSTM神经网络桥梁徐变上拱预测模型实现预测任务。在24米和32米桥梁数据集上进行的验证实验,证明了基于LSTM神经网络的预测模型对实现桥梁徐变上拱预测的有效性。(3)针对高速铁路CPⅢ差异沉降预测问题,提出了一种基于Siamese神经网络的CPⅢ差异沉降预测模型,首先构建Siamese神经网络的双输入的样本,需要将表征CPⅢ差异沉降的两次动检数据作为输入,然后通过Siamese神经网络的两个子网络将二者转化到特征空间中,最后通过网络结构中的度量模块实现二者的“距离”度量,实现CPⅢ差异沉降预测。通过在验证集上进行的实验证明了所提出的基于Siamese神经网络的CPⅢ差异沉降预测模型的有效性。