本发明涉及数据反演,尤其是涉及轨道不平顺动静态检测数据反演方法、系统及存储介质。
背景技术:
1、轨道不平顺的检测一般分为动态检测和静态检测,两种检测方式的结果分别对应轨道动态不平顺和轨道静态不平顺。两种检测方式对平顺性检测指标的检测原理不尽相同,检测设备以及检测过程中轨道受力状态不同,导致对于铁路线路的相同区段所得的动静态检测数据间存在一定差异,这种现象直接影响动静态检测数据在日常养护维修中的有效应用。
2、目前针对轨道检测数据动静关系开展了较为深刻的研究,取得了较多的显性结论和理论成果,为检测数据的落地应用提供了一定程度的支持。但现有研究更多的是对现场实测的轨道不平顺动静态检测数据的波形、数值进行对比和统计分析,对于探究两者映射关系的理论计算模型适用性、可移植性和实时性相对受限。而且现有的轨道不平顺预测方案一般为基于同一类检测历史数据对未来的几何状态进行预测,并不能用于动静态两种检测数据之间的关系探究,无法为轨道养护维修工作中两种数据相结合使用提供理论依据。
技术实现思路
1、本发明提供轨道不平顺动静态检测数据反演方法、系统及存储介质,利用一种数据对另一种数据进行有效推断和反演,能够更加全面地对轨道几何状态进行预测和评估;深度探究了铁路线路轨道不平顺动静态检测峰值数据之间的映射关系,可以帮助铁路运维人员制定更有针对性的养护维修措施。
2、本说明书实施例的第一方面公开了轨道不平顺动静态检测数据反演方法,包括:
3、s1.采集轨道不平顺动静态检测数据,得到原始数据;
4、s2.对所述原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐,得到预处理数据;
5、s3.基于所述预处理数据,提取轨道不平顺峰值数据,对所述轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作,得到测试集数据;
6、s4.基于网格搜索法,对双向长短期记忆网络模型中的参数进行调优,得到改进双向长短期记忆网络模型;
7、s5.基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,使用平均绝对误差和均方根误差,作为模型评价指标,对所述改进双向长短期记忆网络模型的工作性能和预测结果进行评价,选取评价结果最优的所述改进双向长短期记忆网络模型;
8、s6.基于所述改进双向长短期记忆网络模型,进行模型训练,求解优化器,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,进而控制模型输入输出长度的单次预测长度,得到优化模型;
9、s7.基于所述优化模型,将所述测试集数据输入到所述优化模型得到测试结果,数据反演完成。
10、在一些实施例中,s2中,采用业务法和z-score相结合的方法对所述原始数据进行异常值识别。
11、在一些实施例中,s2中,对所述原始数据中的静态里程数据进行下采样处理,使其与动态采样数据间隔保持一致。
12、在一些实施例中,s2中,根据新的里程信息采用二维插值对各指标检测数据做进一步插值处理,得到与新里程相对的各指标检测数据。
13、在一些实施例中,s2中,基于互相关函数和动态时间规整的二阶段修正算法,进行动静态检测数据的精确匹配和里程对齐。
14、在一些实施例中,所述对数变换的公式如下:
15、;
16、其中,e为自然底数,x为原始数据,y为变换后的数据。
17、在一些实施例中,所述滑动平均的公式如下:
18、;
19、其中,为原始序列的第个数据,为窗口大小,为在时刻的滑动平均值。
20、在一些实施例中,所述一阶差分的公式如下:
21、。
22、本说明书实施例的第二方面公开了轨道不平顺动静态检测数据反演系统,包括:
23、数据采集模块,用于采集轨道不平顺动静态检测数据,得到原始数据;
24、预处理模块,用于对所述原始数据进行异常值识别与处理、数据重采样以及动静态检测数据里程对齐,得到预处理数据;
25、数据变换模块,用于基于所述预处理数据,提取轨道不平顺峰值数据,对所述轨道不平顺峰值数据进行对数变换、滑动平均和一阶差分数据变换操作,得到测试集数据;
26、模型确定模块,用于基于网格搜索法,对双向长短期记忆网络模型中的参数进行调优,得到改进双向长短期记忆网络模型;
27、模型优化模块,用于基于高速铁路轨道不平顺动静态检测峰值数据的数值特点和分布特征,使用平均绝对误差和均方根误差,作为模型评价指标,对所述改进双向长短期记忆网络模型的工作性能和预测结果进行评价,选取评价结果最优的所述改进双向长短期记忆网络模型;
28、模型训练模块,用于基于所述改进双向长短期记忆网络模型,进行模型训练,求解优化器,用于截取学习序列的参数,即选定预测序列的长度后,将用于预测的序列向前向后各多取一倍长度构建学习序列,进而控制模型输入输出长度的单次预测长度,得到优化模型;
29、数据反演模块,用于基于所述优化模型,将所述测试集数据输入到所述优化模型得到测试结果,数据反演完成。
30、本说明书实施例的第三方面公开了计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行上述的轨道不平顺动静态检测数据反演方法。
31、综上所述,本发明至少具有以下有益效果:
32、1.本发明提出了一种全新的轨道不平顺检测数据反演方法,可以实现利用一种数据对另一种数据的有效推断和反演,能够更加全面地对轨道几何状态进行预测和评估。
33、2.根据轨道不平顺检测数据的数值特点和分布特征,对其先后进行对数变换、滑动平均和一阶差分三种方法相结合的数据变换处理方法,在不损失有效信息的前提下,使检测数据具有平稳性并突出周期性和趋势性,便于对后续的建模和挖掘工作。
34、3.提出了一种基于多步长匹配机制的改进bi-lstm模型,该模型综合考虑了轨道几何状态的邻枕关系和双向学习的思想,深度探究了铁路线路轨道不平顺动静态检测峰值数据之间的映射关系,可以帮助铁路运维人员制定更有针对性的养护维修措施。
1.轨道不平顺动静态检测数据反演方法,其特征在于,包括:
2.根据权利要求1所述的轨道不平顺动静态检测数据反演方法,其特征在于,s2中,采用业务法和z-score相结合的方法对所述原始数据进行异常值识别。
3.根据权利要求2所述的轨道不平顺动静态检测数据反演方法,其特征在于,s2中,对所述原始数据中的静态里程数据进行下采样处理,使其与动态采样数据间隔保持一致。
4.根据权利要求3所述的轨道不平顺动静态检测数据反演方法,其特征在于,s2中,根据新的里程信息采用二维插值对各指标检测数据做进一步插值处理,得到与新里程相对的各指标检测数据。
5.根据权利要求4所述的轨道不平顺动静态检测数据反演方法,其特征在于,s2中,基于互相关函数和动态时间规整的二阶段修正算法,进行动静态检测数据的精确匹配和里程对齐。
6.根据权利要求1所述的轨道不平顺动静态检测数据反演方法,其特征在于,所述对数变换的公式如下:
7.根据权利要求6所述的轨道不平顺动静态检测数据反演方法,其特征在于,所述滑动平均的公式如下:
8.根据权利要求7所述的轨道不平顺动静态检测数据反演方法,其特征在于,所述一阶差分的公式如下:
9.轨道不平顺动静态检测数据反演系统,其特征在于,包括:
10.计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行如权利要求1~8中任意一项所述的轨道不平顺动静态检测数据反演方法。