本發(fā)明涉及軌道交通，尤其涉及一種基于混合深度學習模型的地鐵軌道不平順評價方法。

背景技術：

1、隨著城市軌道交通發(fā)展規(guī)模的不斷增長和運營速度的不斷提高，地鐵已成為全球重要且具有代表性的城市交通工具。然而，地鐵軌道不平順造成的安全問題日益嚴重。軌道不平順作為車軌耦合系統(tǒng)的主要激勵源，會加劇車體的上浮、下沉、點頭、側擺，使緊固件松動、軌枕下沉，甚至導致列車脫軌。近年來，結合軌道不平順與車輛動態(tài)響應來評估軌道狀態(tài)已成為研究熱點。通過建立預測模型將軌道不平順度與車輛響應關聯(lián)起來。在關注軌道不平順幅值的同時，利用車輛的動態(tài)響應來評估軌道狀態(tài)，及時消除與敏感波長相關、發(fā)展迅速、變化顯著的軌道不平順。

2、基于車輛動態(tài)響應的軌道不平順預測方法可分為數(shù)值模型分析、系統(tǒng)識別和數(shù)據(jù)驅動方法。數(shù)值模型分析方法在建模過程中對復雜的非線性系統(tǒng)進行簡化和近似，導致數(shù)值模型方法的預測結果不夠精確。系統(tǒng)辨識方法僅適用于列車勻速行駛的情況。在變速和非線性因素的情況下，表征輸入和輸出關系的有效性會降低。

3、目前，數(shù)據(jù)驅動和機器學習(ml)方法受到學者的青睞。然而，這些方法依賴數(shù)據(jù)來訓練和預測系統(tǒng)的行為。可分為樸素貝葉斯分類器、支持向量機、隨機森林和其他機器學習方法。在ml方法中，神經(jīng)網(wǎng)絡具有逼近任意函數(shù)的能力。因此，ml模型可以表達車輛響應與軌道不平順之間的非線性關系。但是，傳統(tǒng)的機器學習需要手動確定特征，并且不容易表達車輛和軌道之間的復雜動態(tài)關系，模型的性能將受到限制。深度學習(dl)技術是一種蓬勃發(fā)展的新型機器學習方法。dl可以自動提取特征并具有非線性實體處理能力，提高模型的預測性能。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于混合深度學習模型的地鐵軌道不平順評價方法，旨在根據(jù)數(shù)據(jù)特點以及網(wǎng)絡模型在處理時序序列時自身的優(yōu)勢，各個網(wǎng)絡模型優(yōu)勢互補，實現(xiàn)軌道垂向不平順的端到端預測。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于混合深度學習模型的地鐵軌道不平順評價方法，包括以下步驟：

3、基于速度傳感器、加速度傳感器和激光攝像單元獲得車輛沿軌道行駛時產(chǎn)生的速度序列、垂向振動加速度序列和軌道垂向不平順序列；

4、對所述垂向振動加速度數(shù)據(jù)和所述軌道垂向不平順數(shù)據(jù)進行異常值去除，并采用序列平均值填充殘缺數(shù)據(jù)，構建訓練集和測試集；

5、將精英反向學習和高斯變異策略加入魚鷹優(yōu)化算法來優(yōu)化卷積神經(jīng)網(wǎng)絡和門控循環(huán)單元中超參數(shù)；

6、搭建魚鷹優(yōu)化算法-卷積神經(jīng)網(wǎng)絡-門控循環(huán)單元的混合深度學習模型，結合卷積神經(jīng)網(wǎng)絡和門控循環(huán)單元學習車輛運行速度和垂向加速度信號的形狀特征和序列特征；

7、利用指標所述混合深度學習模型的預測精度；

8、利用訓練好的網(wǎng)絡對測試樣本進行估計，得到軌道不平順的預測結果，并驗證模型的性能。

9、其中，所述異常值去除通過拉依達準則進行。

10、其中，所述構建訓練集和測試集的比例為7:3。

11、其中，所述指標包括絕對百分比誤差、均方根誤差、平均絕對誤差和擬合優(yōu)度。

12、其中，所述利用訓練好的網(wǎng)絡對測試樣本進行估計，得到軌道不平順的預測結果，并驗證模型的性能的具體方式：

13、基于所述訓練集和所述測試集，采用魚鷹優(yōu)化算法-卷積神經(jīng)網(wǎng)絡-門控循環(huán)單元混合深度學習模型對軌道垂向不平順進行評價；

14、基于對比方法驗證魚鷹優(yōu)化算法-卷積神經(jīng)網(wǎng)絡-門控循環(huán)單元混合深度學習模型的性能。

15、本發(fā)明的一種基于混合深度學習模型的地鐵軌道不平順評價方法，基于速度傳感器、加速度傳感器和激光攝像單元獲得車輛沿軌道行駛時產(chǎn)生的速度序列、垂向振動加速度序列和軌道垂向不平順序列；對所述垂向振動加速度數(shù)據(jù)和所述軌道垂向不平順數(shù)據(jù)進行異常值去除，并采用序列平均值填充殘缺數(shù)據(jù)，構建訓練集和測試集；將精英反向學習和高斯變異策略加入魚鷹優(yōu)化算法來優(yōu)化卷積神經(jīng)網(wǎng)絡和門控循環(huán)單元中超參數(shù)；搭建魚鷹優(yōu)化算法-卷積神經(jīng)網(wǎng)絡-門控循環(huán)單元混合深度學習模型，結合卷積神經(jīng)網(wǎng)絡和門控循環(huán)單元學習車輛運行速度和垂向加速度信號的形狀特征和序列特征；利用指標來評價魚鷹優(yōu)化算法-卷積神經(jīng)網(wǎng)絡-門控循環(huán)單元模型的預測精度；利用訓練好的網(wǎng)絡對測試樣本進行估計，得到軌道不平順的預測結果，并驗證模型的性能，利用改進魚鷹優(yōu)化算法iooa優(yōu)化卷積神經(jīng)網(wǎng)絡cnn和門控循環(huán)單元gru的超參數(shù)，結合卷積神經(jīng)網(wǎng)絡cnn和門控循環(huán)單元gru來學習車輛運行速度和垂向振動加速度信號的形狀特征和序列特征，根據(jù)數(shù)據(jù)特點以及網(wǎng)絡模型在處理時序序列時自身的優(yōu)勢，各個網(wǎng)絡模型優(yōu)勢互補，實現(xiàn)軌道垂向不平順的端到端預測。

技術特征：

1.一種基于混合深度學習模型的地鐵軌道不平順評價方法，其特征在于，包括以下步驟：

2.如權利要求1所述的一種基于混合深度學習模型的地鐵軌道不平順評價方法，其特征在于，

3.如權利要求1所述的一種基于混合深度學習模型的地鐵軌道不平順評價方法，其特征在于，

4.如權利要求1所述的一種基于混合深度學習模型的地鐵軌道不平順評價方法，其特征在于，

5.如權利要求1所述的一種基于混合深度學習模型的地鐵軌道不平順評價方法，其特征在于，

技術總結
本發(fā)明涉及軌道交通技術領域，具體涉及一種基于混合深度學習模型的地鐵軌道不平順評價方法，包括基于速度、加速度傳感器和激光攝像單元獲得車輛沿軌道行駛時產(chǎn)生的速度序列、垂向振動加速度序列和軌道垂向不平順序列；對垂向振動加速度數(shù)據(jù)和軌道垂向不平順數(shù)據(jù)進行異常值去除，構建訓練集和測試集；搭建魚鷹優(yōu)化算法?卷積神經(jīng)網(wǎng)絡?門控循環(huán)單元的混合深度學習模型，學習車輛運行速度和垂向加速度信號的形狀特征和序列特征；利用指標評價混合深度學習模型的預測精度；利用訓練好的網(wǎng)絡對測試樣本進行估計，并驗證模型的性能，該方法根據(jù)數(shù)據(jù)特點以及網(wǎng)絡模型在處理時序序列時自身的優(yōu)勢，實現(xiàn)軌道垂向不平順的端到端預測。

技術研發(fā)人員：賀德強,孫海猛,姚作芳,靳震震,陳彥君,項載毓,李琴,李宏偉,楊秋梅
受保護的技術使用者：廣西大學
技術研發(fā)日：
技術公布日：2024/10/10