[发明专利]基于随机振荡序列灰色模型的轨道不平顺的超高预测方法

说明书

本发明公开了一种基于随机振荡序列灰色模型的轨道不平顺的超高预测方法，该方法包括以下步骤：数据预处理步骤：对检测的左右轨面高度偏差进行均值处理得到等间距平均高度偏差序列；初步预测步骤：基于灰色模型进行随机振荡序列灰色预测，得到初步预测高度偏差；预测修正步骤：基于高度残差平均值对初步预测高度残差进行修正得到修正高度残差，进行归一化处理；优化Elman神经网络步骤：通过蚁狮算法对Elman神经网络的初始权值和阈值优化，进而获得优化Elman神经网络；超高预测步骤：基于优化Elman神经网络得到轨道预测修正高度残差。本发明通过结合随机振荡序列灰色模型与Elman神经网络，克服了对随机振荡序列预测结果不理想的缺陷，使得对超高预测结果更加精确。

技术领域

本发明涉及轨道检测领域，尤其涉及一种基于随机振荡序列灰色模型的轨道不平顺的超高预测方法。

背景技术

城市轨道交通运行安全状况的检测是保障轨道运行的重要部分，如今已有的方法能够对轨道的参数进行动态精确检测，但如何从轨道上检测出的数据对轨道质量进行分析与预测，对于轨道检测研究至关重要。

现今大多数研究是对轨道综合质量TQI的预测，从实验结果来看，灰色预测与神经网络的结合方法对其预测较准确；

超高不同于TQI，它是随机振荡序列，但传统灰色预测只适用于指数增长的数据类型，其对随机振荡序列预测效果不好，不能贴合序列的变化趋势，从而导致对随机振荡序列的预测结果误差较大。

发明内容

为了克服现有技术存在的缺陷与不足，本发明的第一目的在于提出了一种基于随机振荡序列灰色模型的轨道不平顺的超高预测方法，该方法实现了对超高序列的初步预测，能够较准确地预测超高序列和贴合超高序列变化趋势。

本发明的第二目的在于提出了一种基于随机振荡序列灰色模型的轨道不平顺的超高预测系统。

为了达到上述第一目的，本发明采用以下技术方案：

一种基于随机振荡序列灰色模型的轨道不平顺的超高预测方法，包括以下步骤：

数据预处理步骤：对检测的左右轨面高度偏差进行均值处理得到等间距平均高度偏差序列；

初步预测步骤：基于灰色模型对等间距平均高度偏差序列进行随机振荡序列灰色预测，得到初步预测高度偏差；

预测修正步骤：基于初步预测高度偏差和原数据得到初步预测高度残差，计算高度残差平均值，基于高度残差平均值对初步预测高度残差进行修正得到修正高度残差，对初步预测高度残差和修正高度残差进行归一化处理；

优化Elman神经网络步骤：基于初步预测高度残差和修正高度残差进行划分训练集、测试集，搭建Elman神经网络，基于训练集的初步预测高度残差、修正高度残差进行训练，通过蚁狮算法对Elman神经网络的初始权值和阈值优化，获得优化Elman神经网络；

超高预测步骤：基于优化Elman神经网络输入初步预测高度残差得到轨道预测修正高度残差。

作为优选的技术方案，所述数据预处理步骤，具体为：获取预设区间的等检测时间间隔的高度偏差，对高度偏差进行均值处理得到代表这段区间的平均高度偏差。

作为优选的技术方案，所述初步预测步骤，具体包括以下步骤：

随机振荡序列的变换：

对检测区段以相同时间检测检测得到等间距平均高度偏差序列，设等间距平均高度偏差序列为：X⁽⁰⁾＝{X⁽⁰⁾(1),X⁽⁰⁾(2)，…，X⁽⁰⁾(n)}；

将等间距平均高度偏差序列平移至全值，并设置如下参数：