近年來(lái)隨著中國(guó)高速鐵路網(wǎng)的擴(kuò)建與高速鐵路出行服務(wù)質(zhì)量的提升,高速列車已經(jīng)成為中國(guó)最主要的出行方式之一。預(yù)計(jì)到2025年,全國(guó)鐵路網(wǎng)里程將長(zhǎng)達(dá)17.5萬(wàn)公里,其中高速鐵路占總長(zhǎng)度20%以上,將會(huì)覆蓋超過(guò)80%的大城市。高速度、高密度的高鐵運(yùn)行方式給鐵路運(yùn)輸組織帶來(lái)了巨大的挑戰(zhàn)。高速行駛的列車在運(yùn)行過(guò)程中不可避免地會(huì)受到各種因素的干擾,最終導(dǎo)致列車不能按照?qǐng)D定計(jì)劃準(zhǔn)時(shí)到達(dá),產(chǎn)生晚點(diǎn)。晚點(diǎn)不僅會(huì)影響本列列車的運(yùn)行,還會(huì)在區(qū)段內(nèi)傳播擴(kuò)散,造成其他列車的晚點(diǎn)。因此把握列車晚點(diǎn)情況,實(shí)時(shí)預(yù)測(cè)列車晚點(diǎn)對(duì)于現(xiàn)場(chǎng)調(diào)度意義重大。鑒于列車晚點(diǎn)等級(jí)能讓調(diào)度員更敏感地捕捉晚點(diǎn)信息,本文構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的晚點(diǎn)預(yù)測(cè)模型預(yù)測(cè)列車到站晚點(diǎn)等級(jí),具體研究工作包括:（1）本文首先分析了人工神經(jīng)網(wǎng)絡(luò)對(duì)列車晚點(diǎn)的預(yù)測(cè)機(jī)理,并建立了根據(jù)前方列車群晚點(diǎn)情況,預(yù)測(cè)后方列車晚點(diǎn)等級(jí)的預(yù)測(cè)機(jī)制,基于此確定訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)晚點(diǎn)等級(jí)預(yù)測(cè)模型所需樣本數(shù)據(jù)形式,并給定晚點(diǎn)等級(jí)劃分標(biāo)準(zhǔn)。（2）根據(jù)模型訓(xùn)練需求,從鐵路集團(tuán)數(shù)據(jù)庫(kù)中篩選歷史晚點(diǎn)數(shù)據(jù),結(jié)合列車運(yùn)行圖特性,構(gòu)建符合網(wǎng)絡(luò)模型輸入與輸出需求的晚點(diǎn)樣本。（3）基于深度學(xué)習(xí)數(shù)據(jù)處理法則,對(duì)樣本進(jìn)... 

【文章來(lái)源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)機(jī)理與人類學(xué)習(xí)機(jī)理對(duì)比

圖 2-2 神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)的晚點(diǎn)預(yù)測(cè)模型原理晚點(diǎn)等級(jí)分類預(yù)測(cè)模型是建立在晚點(diǎn)等級(jí)況的進(jìn)行等級(jí)預(yù)測(cè)。測(cè)神經(jīng)網(wǎng)絡(luò)模型所示的晚點(diǎn)樣本，表中的每一個(gè)值 都是影部分的 × 矩陣是樣本輸入，右下方陰 y。神經(jīng)網(wǎng)絡(luò)以 × 的矩陣作為輸入，輸量 。本輸入神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)通過(guò)反向傳播本目標(biāo)值 y，直至獲得滿意的訓(xùn)練結(jié)果。點(diǎn)數(shù)據(jù)以左上角陰影的形式輸入訓(xùn)練完成

圖 2-12 數(shù)據(jù)庫(kù)中運(yùn)行線 ID 為 1393549335 的運(yùn)行車次運(yùn)行數(shù)據(jù)圖 2-12 中列車運(yùn)行時(shí)刻表經(jīng)過(guò)一定的處理，也可以表達(dá)為列車運(yùn)行數(shù)據(jù)的圖解形式，即列車運(yùn)行圖。列車運(yùn)行圖是列車運(yùn)行數(shù)據(jù)矩陣表達(dá)方式的直觀理解，列車運(yùn)行矩陣則是列車運(yùn)行圖和列車運(yùn)行時(shí)刻表的數(shù)學(xué)表達(dá)形式。2.3.2 列車晚點(diǎn)矩陣在列車運(yùn)行圖矩陣表達(dá)形式的基礎(chǔ)上，構(gòu)建列車晚點(diǎn)矩陣，將列車晚點(diǎn)數(shù)據(jù)以矩陣的形式更直觀地表達(dá)出來(lái)，作為后期神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。構(gòu)建列車晚點(diǎn)矩陣是建立神經(jīng)網(wǎng)絡(luò)輸入向量的基礎(chǔ)。本文建立的列車晚點(diǎn)矩陣為圖 2-13 所示列車晚點(diǎn)時(shí)刻表的矩陣表達(dá)。時(shí)刻表中 為列車某該時(shí)刻到達(dá)某站點(diǎn)的實(shí)績(jī)到達(dá)時(shí)間與圖定到達(dá)時(shí)間差值。首先選定試驗(yàn)研究區(qū)域的站點(diǎn)，作為列車晚點(diǎn)矩陣的行 ， 個(gè)站點(diǎn)按上下行依次排放。將列車到達(dá)某站作為參考事件，記錄該區(qū)域內(nèi)所有事件發(fā)生（即有列車到達(dá)）的時(shí)間點(diǎn)，作為列車晚點(diǎn)矩陣的列 。通過(guò)這樣的表達(dá)方

【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別模擬研究[J]. 宋曉茹,吳雪,高嵩,陳超波.  科學(xué)技術(shù)與工程. 2019(05)
[2]一種調(diào)度區(qū)段晚點(diǎn)時(shí)長(zhǎng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J]. 曾壹,陳峰,金博匯.  鐵道標(biāo)準(zhǔn)設(shè)計(jì). 2019(03)
[3]基于神經(jīng)網(wǎng)絡(luò)的海量GPS數(shù)據(jù)交通流量預(yù)測(cè)[J]. 蒲斌,李浩,盧晨陽(yáng),王治輝,劉華.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[4]深度學(xué)習(xí)優(yōu)化算法研究[J]. 仝衛(wèi)國(guó),李敏霞,張一可.  計(jì)算機(jī)科學(xué). 2018(S2)
[5]城市軌道交通客流預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)分析與實(shí)現(xiàn)[J]. 王茁,張文博,王義智.  交通與運(yùn)輸. 2018(05)
[6]高速鐵路運(yùn)營(yíng)安全風(fēng)險(xiǎn)管理研究[J]. 李剛.  設(shè)備管理與維修. 2018(17)
[7]基于Mini-batch神經(jīng)網(wǎng)絡(luò)的船舶柴油機(jī)風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)[J]. 尚前明,王瀟,曹召,劉治江,鄧曉光.  中國(guó)修船. 2018(04)
[8]武廣高速鐵路列車晚點(diǎn)恢復(fù)時(shí)間預(yù)測(cè)的隨機(jī)森林模型[J]. 黃平,彭其淵,文超,楊宇翔.  鐵道學(xué)報(bào). 2018(07)
[9]高速鐵路非正常情況下列車運(yùn)行調(diào)整方法研究[J]. 郭驍.  上海鐵道科技. 2018(02)
[10]4月國(guó)家鐵路多項(xiàng)重要指標(biāo)創(chuàng)新高[J].   鐵路采購(gòu)與物流. 2018(05)

博士論文
[1]高速鐵路高密度開(kāi)行目標(biāo)下運(yùn)行圖魯棒性及其接續(xù)優(yōu)化[D]. 路超.北京交通大學(xué) 2018
[2]復(fù)雜線路列車晚點(diǎn)控制優(yōu)化策略及方法[D]. 袁志明.中國(guó)鐵道科學(xué)研究院 2016
[3]不平衡數(shù)據(jù)學(xué)習(xí)的研究[D]. 李軍.吉林大學(xué) 2011

碩士論文
[1]基于TOPSIS和貝葉斯網(wǎng)絡(luò)的高速鐵路客運(yùn)站安全評(píng)價(jià)及風(fēng)險(xiǎn)管控研究[D]. 宋雨欣.北京交通大學(xué) 2018
[2]高速鐵路列車運(yùn)行調(diào)整及時(shí)空穩(wěn)態(tài)分析研究[D]. 樊瑩瑩.北京交通大學(xué) 2018
[3]基于GS準(zhǔn)則的小批量塊坐標(biāo)下降法[D]. 鄭若辰.北京交通大學(xué) 2018
[4]基于離散螢火蟲算法的高速列車運(yùn)行調(diào)整問(wèn)題研究[D]. 段少楠.北京交通大學(xué) 2018
[5]軌道交通短期客流預(yù)測(cè)及與公交換乘協(xié)調(diào)研究[D]. 謝天.北京交通大學(xué) 2017
[6]基于復(fù)雜網(wǎng)絡(luò)理論的列車運(yùn)行圖穩(wěn)定性優(yōu)化研究[D]. 王金霞.蘭州交通大學(xué) 2016
[7]基于LSSVM建立發(fā)酵過(guò)程動(dòng)態(tài)模型及其參數(shù)優(yōu)化[D]. 孫鑫.北京工業(yè)大學(xué) 2013



本文編號(hào)：3288041