鐵路軌道不平順數(shù)據(jù)挖掘及其時間序列趨勢預(yù)測研究.pdf

1、鐵路軌道狀態(tài)的優(yōu)劣直接決定列車運行是否安全。軌道的平順性不僅是衡量軌道狀態(tài)的重要指標，也是評價列車運行品質(zhì)的基礎(chǔ)。在軌道不平順存在的情況下，輕則列車必須限速運行，重則會造成列車傾覆。因此，研究軌道不平順變化的規(guī)律，掌握變化的趨勢，防患于未然，無疑是鐵路工務(wù)部門所迫切需要的。本文正是在這樣的背景下，通過對軌道不平順數(shù)據(jù)的研究和分析，挖掘軌道不平順數(shù)據(jù)中隱含的規(guī)律，建立數(shù)學(xué)模型對未來趨勢進行預(yù)測，最終為鐵路工務(wù)各相關(guān)部門業(yè)務(wù)提供數(shù)據(jù)及狀態(tài)變

2、化模型上的支持，服務(wù)于鐵路運輸安全。
　　在軌道不平順數(shù)據(jù)分析研究階段，論文首先系統(tǒng)地對軌道不平順數(shù)據(jù)特點進行分析，針對數(shù)據(jù)質(zhì)量存在的問題，提出基于數(shù)據(jù)挖掘思想，具體操作上采用聚類分析方法進行異常數(shù)據(jù)識別，提出基于趨勢相似性的數(shù)據(jù)偏移校正算法、基于異常度的局部異常值識別及消噪算法，對數(shù)據(jù)進行預(yù)處理。其次，提出采用小波分解與重構(gòu)的方法對軌道不平順時間序列進行分解與重構(gòu)，為軌道不平順預(yù)測建模奠定數(shù)據(jù)基礎(chǔ)。最后，由于軌道幾何不平順數(shù)據(jù)反

3、映軌道狀態(tài)變化的動態(tài)特征，是一種典型的時態(tài)數(shù)據(jù)，論文通過數(shù)據(jù)挖掘概念及算法研究，對軌道不平順序列進行聚類分析，發(fā)現(xiàn)軌道不平順序列模式特征。在具體研究中，論文對原始數(shù)據(jù)、標準差數(shù)據(jù)、標準差小波分解數(shù)據(jù)和標準差近似序列數(shù)據(jù)進行聚類的實例分析，挖掘軌道不平順序列模式特征，發(fā)現(xiàn)并描述了數(shù)據(jù)變化的趨勢。
　　在軌道狀態(tài)預(yù)測分析階段，論文首先針對軌道狀態(tài)變化的慣性特征，由于軌道狀態(tài)具有記憶效應(yīng)，軌道最新的檢測狀態(tài)與最近的上一次檢測狀態(tài)具有相似

4、性，相鄰時間檢測狀態(tài)具有相似趨勢性。宏觀上看，軌道狀態(tài)變化在軌道整個生命周期內(nèi)呈現(xiàn)非線性變化，但是在微觀上，短時間內(nèi)，如果進行頻繁軌道檢測，就會發(fā)現(xiàn)短相鄰時間內(nèi)軌道狀態(tài)變化可以近似為線性特征?；诖思僭O(shè)，并結(jié)合軌道不平順時間序列數(shù)據(jù)的非等時距特征，論文提出基于非等時距短期歷史趨勢的時間序列分段線性遞推模型(PLRMSHT)。同時，為提高PLRMSHT模型的預(yù)測精度，對模型產(chǎn)生的殘差項采用基于傅立葉三角變換的方法進行殘差修正擬合，實例分析

5、證明殘差修正后的PLRMSHT具有較好的預(yù)測精度，模型取得了滿意結(jié)果。其次，由于小波變換可以通過對時間（空間）頻率的局部化分析和伸縮平移運算對信號（函數(shù)）逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分。小波的這個特征能自動適應(yīng)時頻信號分析的要求，從而可聚焦到信號的任意細節(jié)，把函數(shù)分解成一系列簡單基函數(shù)的表示，無論是在理論上，還是實際應(yīng)用中都有重要意義。因此，論文提出基于小波分解-重構(gòu)的思想對軌道不平順時間序列進行細分，分別對

6、小波分解得到的細節(jié)信號、近似信號尋找最佳擬合預(yù)測模型。具體研究中，針對經(jīng)過殘差修正的ARIMA預(yù)測模型比原始ARIMA預(yù)測模型具有更高的預(yù)測精度，但殘差修正過程不僅增加了模型的計算量和復(fù)雜度而且也不能反映其變化的本質(zhì)的不足，本文提出基于小波分解-重構(gòu)的分段線性-ARMA遞推模型(PL-ARMARWDR)。通過小波分解變換，低頻近似序列更加平緩順滑，趨勢性更加明顯，高頻細節(jié)序列更加平穩(wěn)。模型中，低頻近似序列采用線性遞推模型，高頻細節(jié)序列采

7、用ARMA模型。由于軌道狀態(tài)變化在實際上并不呈現(xiàn)線性變化趨勢，其變化趨勢是非線性的，研究表明軌道不平順變化更符合指數(shù)趨勢變化。由于灰色模型是一種采用指數(shù)函數(shù)近似的模型，因此論文提出基于小波分解-重構(gòu)的分段灰色-ARMA遞推模型(PG-ARMARWDR)。在模型中，低頻近似序列采用灰色遞推模型，高頻細節(jié)序列采用ARMA模型。由于神經(jīng)網(wǎng)絡(luò)模型作為一種重要的非線性建模方法有著廣泛的應(yīng)用，神經(jīng)網(wǎng)絡(luò)模型可以近似任何非線性過程，因此論文提出基于小波