基于集成学习算法的轨道几何状态短期预测模型

为了更准确地预测轨道状态劣化趋势,建立了一种新的轨道状态短期预测集成学习模型。建模时以200 m轨道单元为研究对象,根据轨道交通线路特点考虑多种影响轨道状态劣化程度的异质性因素来确定模型变量。首先分别利用Gamma过程、二项logistic回归和支持向量机三种方法构建TQI预测模型,然后利用Stacking集成学习技术将三个单一模型进行组合,形成新的TQI预测集成模型。采用北京地铁1号线16次TQI检测数据对模型进行了训练和测试,并对比不同模型的分类正确率和AUC值。结果表明,Stacking集成模型有效,能够更加准确地预测TQI变化趋势,同时具有更优的泛化性能。

地铁轨道几何不平顺指标预测方法研究

充分考虑轨道平顺状态劣化的不确定性和异质性,基于灰色区间预测建模理论建立了轨道几何不平顺指标灰色区间预测模型。为验证模型的可靠性,根据北京地铁2号线10个典型单元区段在2017年2月至2019年2月之间的12次轨检车检测数据,以三角坑不平顺指标为例,利用所建模型进行模拟并将模型预测值与实际检测值进行对比。结果表明,该模型模拟结果精度检验合格且具有较高的预测精度,可以用于预测轨道几何不平顺指标。