基于混合智能优化LSTM的轨道不平顺预测方法

基于混合智能优化lstm的轨道不平顺预测方法
技术领域
1.本发明属于时间序列预测技术领域，具体涉及一种基于混合智能优化lstm的轨道不平顺预测方法。


背景技术：

2.我国铁路交通高速化和重载化的不断发展，轨道反复承受机车车辆的荷载，逐渐改变轨道的轨距、水平及高低等几何形位和空间位置，造成轨道不平顺。铁路轨道不平顺直接威胁列车运行安全。基于轨道不平顺的历史数据，预测轨道不平顺状态发展趋势，对轨道安全性进行检查，可为轨道维护策略提供重要的理论依据。
3.近年来，国内外诸多学者研究轨道不平顺预测问题。雍安泰对轨道质量状态进行预测，建立轨道质量指数(track quality index,tqi)的线性回归方程，并用最小二乘法求解。曲建军采用灰色系统不确定性理论，以tqi时间序列数据作为指标，建立灰色非线性轨道不平顺预测模型。徐波提出基于非等间距灰色线性加权组合预测模型，采用加权组合函数对预测残差序列进行修正，提高了预测精度。贾朝龙提出分段神经网络-arma递推模型，对小波分解后的低频近似序列采用神经网络递推模型，高频细节序列采用arma模型，对轨道不平顺状态进行预测。马子骥先利用非等间距灰色模型对预测tqi序列大致趋势，然后利用elman神经网络对初步预测结果进行残差修正，从而更准确预测tqi序列。郭浩龙提出基于灰色理论与支持向量机的组合模型，预测tqi数据。姚亚峰提出基于灰色模型和循环神经网络的组合预测模型，预测轨道不平顺趋势。史红梅提出基于遗传算法(genetic algorithm，ga)和车辆轨道耦合模型相结合的轨道不平顺估计算法，将轨道不平顺问题转换为模型参数的估计问题进行求解。然而，上述方法没有考虑数据波动变化大时干扰预测结果的情况，且没有充分挖掘轨道不平顺数据的特征信息，难以形成稳定精确的轨道不平顺预测模型。
4.轨道不平顺数据具有非线性、随机性及突发性。长短期记忆(long short-term memory，lstm)循环神经网络可根据序列数据时间依赖关系，检测数据的非线性特征，并建立不同特征下非线性数据的预测模型。粒子群算法(particle swarm optimization，pso)可用来优化神经网络模型的超参数，ga算法可以优化神经网络模型的初始权值阈值，克服模型预测过程易陷入局部最优解及收敛速度慢的问题。因此一些混合智能算法的预测方法已经成为轨道不平顺预测的有效途径，通过多种智能算法的结合，往往可以得到更好的性能。


技术实现要素：

5.本发明的目的是提供一种基于混合智能优化lstm的轨道不平顺预测方法。解决了传统的预测方法对波动较大的轨道不平顺序列数据，预测精度不高的问题。
6.本发明所采用的技术方案是，
7.基于混合智能优化lstm的轨道不平顺预测方法，包括以下步骤：
8.步骤1，收集轨道不平顺序列数据；
9.步骤2，获取轨道不平顺序列数据，将其转换为轨道质量指数时间序列；
10.步骤3，对步骤2获取的轨道质量指数时间序列数据进行预处理操作；
11.步骤4，根据步骤3所得数据，建立lstm模型，同时利用pso算法优化lstm模型的超参数；
12.步骤5，根据步骤3所得数据和步骤4得到的最优超参数，建立lstm模型，利用ga算法优化lstm模型的权值阈值，得到lstm-pso-ga模型；
13.步骤6，利用lstm-pso-ga模型对未来数据进行预测。
14.本发明的特点还在于：
15.步骤3中，对序列数据采用归一化处理方法进行预处理，将原始序列数据映射到[0,1]具体方法是：先计算得序列数据的最大值和最小值，分别记为x
max
和x
min
；然后使用序列数据中的每个数据减去x
min
，再除以x
max-x
min
。
[0016]
步骤4中，lstm模型包括输入层、隐藏层、输出层、网络训练以及网络预测、模块。输入层负责对原始轨道不平顺序列进行初步处理以满足网络输入要求，隐藏层采用lstm细胞搭建单层循环神经网络，输出层提供预测结果网络，网络预测采用迭代的方法逐点预测。
[0017]
步骤4中，利用pso算法优化lstm模型超参数的具体方法是：首先确定lstm模型中待优化的超参数为时间窗口和隐藏层节点数；然后初始化参数，包括种群规模(粒子数量)m、最大迭代次数n
max
、、惯性权重w、粒子位置的边界x
max
和x
min
、粒子速度的范围v
max
和v
min
、加速因子c1和c2；随机产生一个粒子种群，每个个体包括两个超参数：时间窗口和隐藏层节点数。pso算法迭代过程中利用全局最优个体和历史最佳个体调整当前个体的位置。pso算法迭代结束后，获取lstm模型的最佳超参数。
[0018]
步骤5中，利用ga算法优化lstm模型权值阈值的具体方法是：初始化种群，对待优化的权值阈值进行编码；迭代过程中若当前最大适应度值无显著变化或达到种群最大迭代次数，则停止优化；否则利用选择、交叉、变异操作，更新超参数染色体，并将新的超参数赋值给lstm神经网络。
[0019]
lstm-pso-ga模型包括输入层、隐藏层和输出层，其中将步骤3所得到的序列数据和步骤4中lstm模型的预测结果作为输入层的输入，输出层为lstm-pso-ga模型的预测结果；隐藏层使用tanh作为激活函数。
[0020]
本发明的有益效果是：
[0021]
本发明不仅解决了传统的预测方法对波动较大的轨道不平顺序列数据，预测精度不高的问题。并且提出了利用pso算法和ga算法分别优化神经网络超参数和权值阈值的时间序列数据计算方法，克服了模型预测过程中易陷入局部最优解、收敛速度慢且不稳定的问题。该预测方法能够提取轨道不平顺数据的特征变化，最终实现对轨道不平顺序列数据的高准确率预测并分析，更精确地预测轨道不平顺现象。
附图说明
[0022]
图1为本发明基于混合智能优化lstm的轨道不平顺预测方法的流程图；
[0023]
图2为本发明基于混合智能优化lstm的轨道不平顺预测方法中的ga优化lstm权值阈值流程图；
[0024]
图3为本发明基于混合智能优化lstm的轨道不平顺预测方法中的单个lstm细胞结构图；
[0025]
图4为本发明基于混合智能优化lstm的轨道不平顺预测方法中的轨道质量指数数据图；
[0026]
图5为本发明基于混合智能优化lstm的轨道不平顺预测方法中的轨道质量指数预测结果图。
具体实施方式
[0027]
下面结合附图和具体实施方式对本发明进行详细说明。
[0028]
本发明基于混合智能优化lstm的轨道不平顺预测方法，方法流程图如图1所示。包括以下步骤：
[0029]
步骤1，收集轨道不平顺序列数据；
[0030]
步骤2，获取轨道不平顺时间序列数据将其转换为轨道质量指数时间序列；不平顺时间序列数据包括：轨道质量指数、轨距标准差、高低标准差和水平标准差共四项数据；
[0031]
步骤3，对步骤2获取的轨道不平顺序列数据进行预处理操作；
[0032]
步骤4，根据步骤3所得轨道不平顺数据，建立lstm网络模型，同时利用pso算法优化该lstm模型的超参数；
[0033]
步骤5，根据步骤3所得轨道不平顺数据和步骤4所得超参数，建立lstm网络模型，利用ga算法优化该lstm模型的权值阈值，得到lstm-pso-ga模型；
[0034]
步骤6，利用步骤5所得模型，利用lstm-pso-ga模型对未来轨道不平顺序列数据进行预测。
[0035]
步骤3中，对轨道不平顺序列数据采用归一化处理方法进行预处理，将原始序列数据映射到[0,1]区间，具体方法是：先计算得序列数据的最大值和最小值，分别记为x
max
和x
min
；然后使用序列数据中的每个数据减去x
min
，再除以x
max-x
min
。
[0036]
步骤4中，用pso算法对lstm模型超参数进行优化的具体方法是：
[0037]
步骤4.1，确定lstm模型中待优化的超参数为时间窗口和隐藏层节点数。初始化参数：种群规模(粒子数量)m、最大迭代次数n
max
、惯性权重w、粒子位置的边界x
max
和x
min
、粒子速度的范围v
max
和v
min
、加速因子c1和c2；
[0038]
步骤4.2，随机产生一个粒子种群，每个个体包括两个超参数：时间窗口和隐藏层节点数。
[0039]
步骤4.3，采用pso算法进行迭代，每次迭代中构建lstm模型具体方法包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块。输入层负责对原始轨道不平顺序列进行初步处理以满足网络输入要求，隐藏层搭建单层循环神经网络，输出层提供预测结果，网络预测模块采用迭代的方法逐点预测。首先在输入层中，定义已经归一化后的原始轨道不平顺序列为fo＝{f1,f2,
…
,fn}，则划分的训练集和测试集可以表示为f
tr
＝{f1,f2,
…
,fm}和f
te
＝{f
m 1
,f
m 2
,
…
,fn}，满足约束条件m《n和m,n∈n。为了适应隐藏层输入的特点，应用数据分割的方法对f
tr
进行处理，设分割长度为l，则分割后的模型为x＝{x1,x2,
…
,x
l
}，x
p
＝{f
p
,f
p 1
,
…
,f
m-l p-1
}，并有1≤p≤l；p,l∈n。对应的期望输出为y＝{y1,y2,
…
,y
l
},y
p
＝{f
p 1
,f
p 2
,
…
,f
m-l p
}。然后，将x输入隐藏层，隐藏层包含l个按前后时刻连接的同构lstm细
胞，x经过隐藏层后的输出可以表示为p＝{p1,p2,
…
,p
l
}，p
p
＝lstm
forward
(x
p
,c
p-1
,h
p-1
)，式中c
p-1
和h
p-1
分别为前一个lstm细胞的状态和输出；lstm
forward
表示lstm向前细胞计算方法。设定细胞状态向量大小为s
state
，则c
p-1
和h
p-1
两个向量的大小均为s
state
。隐藏层输出p、模型输入x和理论输出y均为维度为(m－l,l)的二维数组。选用均方误差作为误差计算公式，训练过程的损失函数可以定义为：设定损失函数最小为优化目标，不断更新网络权重，进而得到最终的隐藏层网络。
[0040]
步骤4.4，pso算法迭代过程中利用全局最优个体和历史最佳个体调整当前个体的位置。
[0041]
步骤4.5，pso算法迭代结束后，获取lstm模型的最佳超参数。
[0042]
步骤5中，利用ga算法优化该lstm模型的权值阈值的流程如图2所示，具体方法是：
[0043]
步骤5.1，根据步骤4所得最优超参数确定lstm模型的时间窗口大小和隐藏层节点数；
[0044]
步骤5.2，ga算法编码：对lstm模型的初始权值阈值编码，模型误差作为各染色体的适应度值；
[0045]
步骤5.3，产生指定数量的种群；
[0046]
步骤5.4，迭代开始，利用选择、交叉、变异操作，更新超参数染色体，并将新的超参数赋值给lstm模型；
[0047]
步骤5.5，若当前最大适应度值达到种群最大迭代次数，则停止优化；
[0048]
步骤5.6，计算当前的预测误差，保存当前最优超参数和对应lstm网络模型，完成轨道不平顺时间序列数据的预测；
[0049]
上述构建lstm模型并对于现有的数据进行训练并预测；构建lstm模型具体方法包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块。输入层负责对原始响应时间序列进行初步处理以满足网络输入要求，隐藏层采用图3表示的lstm细胞搭建单层循环神经网络，输出层提供预测结果网络，网络预测采用迭代的方法逐点预测。
[0050]
lstm-pso-ga模型包括输入层、隐藏层和输出层，其中将步骤3所得到的序列数据和步骤4中lstm模型的预测结果作为输入层的输入，输出层为lstm-pso-ga模型的预测结果；隐藏层使用tanh作为激活函数。
[0051]
本实施例采用来源于京九线上行k449 300-k449 600区段1000天内检测数据。轨检车沿轨道里程方向每隔0.25米取一次轨道不平顺检测数据，在一次检测过程中可采集该区段内1200个检测点的各项指标数据，包含轨距、水平和高低等多项指标。将每个指标每次采集的1200个数据统计得到当日轨道质量指数数据(tqi)，tqi序列如图4所示，lstm-pso-ga模型在tqi序列中的预测结果如图5所示，不同模型的误差对比如表1所示，我们分别采用均方根误差rmse、平均绝对误差mae以及平均绝对百分比误差mape作为评价指标，分别如公式(3)(4)(5)所示，其中rmse为标准差，n为数据样本的个数，y
predictive
为预测值，y
true
为实际值。
[0052][0053][0054][0055]
表1不同模型的预测误差对比
[0056]