关键词:
神经网络
回归预测
站台门运维
高速铁路站台门
摘要:
为了解决运营线路站台门结构变形难以实时监控的问题,精准预测列车过站时高速铁路站台门的结构变形数据,采用基于人工智能的神经网络方法,选取210种不同车长、阻塞比、安装距离和车速的站台门结构变形数据作为网络模型训练样本,运用CNN(convolutional neural network)和基于K-Fold(K-fold cross-validation)的GRNN(general regression neural network)两种神经网络模型,建立了不同工况下的高速铁路站台门结构变形的预测模型,并与剩余样本数据进行对比验证。研究表明,两种模型均可有效预测铁路站台门结构运维数据,在预测精度上,基于K-Fold优化的GRNN模型优于CNN模型,基于K-Fold优化的GRNN模型的预测均方差能够维持在0.22之内,均方根误差维持在0.27之内,处于研究领域的领先水平。基于K-Fold优化的GRNN模型能够较好预测列车过站时的站台门结构形变量,为高速铁路站台门的设计与运维提供数据参考。