我国客货共线铁路正线一般采用有砟轨道、长大隧道一般采用无砟轨道。对于客货共线无砟轨道，由于开行货运列车，运营条件和环境比客运专线无砟轨道或有砟轨道差，而在结构和力学性能上与客货共线有砟轨道也存在显著差异；即使在相同的外界环境下，4种不同条件下轨道结构的平顺状态也将呈现不同的发展规律。因此，有必要针对客货共线无砟轨道建立轨道平顺状态预测模型，为制定合理维修计划奠定基础。
国内外学者在轨道平顺状态预测方面取得了许多研究成果。早期学者通过试验和轨检车实测数据归纳分析建立了多个预测模型，如日本学者的预测公式[1-3]，国际铁路联盟ORE的轨道不平顺恶化率线性模型[4]，加拿大PWMIS系统的线性预测模型[5]。此外，相关学者还将多种数据分析方法用于轨道平顺状态预测，如基于卡尔曼滤波的轨检车数据预测分析方法[6]、基于轨道不平顺概率分布的特性矩阵法[7]、考虑轨道状态恶化众多影响因素的综合因子法[8]、改进型指数平滑预测模型[9]、基于平均劣化率的轨道质量短期预测模型[10]、基于灰色系统理论的非等时距GM(1,1)预测模型[11]及其修正模型[12]、灰色GM(1,1)与AR模型的组合模型[13]、灰色模型与神经网络的组合模型[14]等。这些预测模型主要针对有砟轨道，有砟轨道平顺状态发展规律通常满足分段线性、多项式或指数等具有明显趋势的形式。而研究发现，客货共线无砟轨道的轨道质量指数TQI在相当长的时间内并无明显恶化趋势，通常呈长期趋势缓慢变化并伴随平稳波动，因此以往的预测模型难以分析这种变化特征。
降雨对膨胀土边坡的稳定性有着直接影响，大部分膨胀土边坡失稳都发生在降雨之后。因此本文对存在不同位置裂隙的膨胀土边坡施加长达6 d的降雨，雨强为30 mm/d，且裂隙深度均为1 m，以观察边坡安全系数随降雨历时的变化情况。计算结果见表1所示。
基于客货共线无砟轨道TQI的时间序列变化特征，结合小波分析和时间序列分析预测方法，本文提出将ARMA-BP神经网络和ARMA-SVR模型用于无砟轨道平顺状态预测。首先对TQI原始序列进行小波分解，将ARMA模型用于预测TQI序列平稳波动成分，同时利用BP神经网络和支持向量回归SVR对TQI序列的慢变趋势成分进行建模与预测，最后综合2种成分的预测值获得最终预测结果。
TQI是我国工务部门评价轨道质量和指导线路养护维修的重要参数，由200 m区段内左右高低、左右轨向、轨距、水平和三角坑共7项轨道不平顺的标准差求和得到，能够有效反映轨道平顺性。
本文数据来自包西线庆兴隧道和太中线吴堡隧道的轨检车检测数据，2条线路的设计速度均为160 km·h-1，隧道内分别铺设Ⅰ型和Ⅱ型双块式无砟轨道。轨道不平顺动态检测每月1次，数据检测时间为2014年1月至2016年12月，对每次的检测数据，每200 m区段计算1个TQI值，每个区段的连续多次TQI数据作为1个时间序列样本。对2个隧道各随机选取5个无砟轨道区段作为研究对象，TQI时间序列样本如图1所示，其中庆兴隧道样本的里程为K770+600—K770+800，吴堡隧道样本的里程为K1 192+600—K1 192+800。
图1 无砟轨道区段TQI时间序列样本
由图1可以看出：无砟轨道区段3年的TQI数值并未发生明显的趋势性变化，TQI值变化并不能用多项式或指数表示。这是因为，相比于有砟轨道，无砟轨道结构稳定，具有较好的轨道质量保持能力；处于隧道内，温度、湿度也相对稳定，不受雨雪等外界环境影响。此外，2个隧道自建成至今未进行过换轨等大修，主要的扣件维护和钢轨打磨作业对TQI影响较小，TQI值并未发生明显变化。
为了深入分析TQI时间序列是否含有趋势性成分，采用小波分解方法，利用bior4.4小波基将图1中庆兴隧道的TQI样本进行1级分解，得到低频成分和高频成分，如图2所示。由图2可以看出：低频成分具有幅值变化相对平缓的趋势项，而高频成分围绕0值均匀波动，近似满足平稳性。
图2 庆兴隧道TQI样本小波分解
经过反复试算，db6，db8，sym6，sym8和bior4.4等小波基均适用于TQI时间序列，分解结果相近，考虑双正交小波兼顾了线性相位和正交性，故选取bior4.4小波基。
对TQI时间序列高频成分是否满足平稳性需要验证时，ADF检验[15]是常用的时间序列平稳性检验方法。它以随机游走模型为检验依据，并在实际检验过程中推广为以下3个模型。
(1)
(2)
(3)
其中，
ΔXt=Xt-Xt-1
式中：Xt为时间序列；εt为白噪声；I为差分项数目；γ，β和δ为常数。
式(2)和式(3)分别考虑了常数和趋势项，每个模型的原假设都是δ=0，即不满足平稳性。检验过程从式(3)开始，然后式(2)、式(1)，何时拒绝原假设何时停止检验，否则直到检验完式(1)为止。表1为对图2中高频成分在显著性水平为0.05时的平稳性检验结果。
当3个公式中差分项数I取不同值时，高频成分均拒绝原假设，这表明高频成分满足平稳性；进一步分析得知，绝大多数TQI样本的高频成分均满足平稳性。可以认为，客货共线无砟轨道TQI的时间序列包含平稳的高频成分。
核素显像：其根据结节的摄碘功能把结节分类为“冷结节”或“热结节”，在成年人中，“热结节”往往提示良性病变。但是，近期研究显示，对于儿童及青少年患者，其并不能非常有效地区分结节的良恶性[20]，“热结节”也存在恶性可能。在儿童及青少年患者中，核素显像一般用于甲亢合并甲状腺结节患者的检查，以及检测异位甲状腺，不作为甲状腺结节的常规检查方法[21]。
表1 庆兴隧道TQI样本平稳性检验结果
差分项数目I高频成分1拒绝2拒绝3拒绝4拒绝5拒绝6拒绝7拒绝
由于客货共线无砟轨道TQI时间序列的不同频率成分具有不同特性，在进行预测时应该采用不同模型分别建模。考虑到TQI高频成分满足平稳性，本文采用适用于平稳时间序列建模的ARMA模型；TQI低频成分是慢变的非线性趋势项，可以采用BP神经网络和支持向量回归SVR建模。最后将ARMA子模型的预测结果分别和BP神经网络、SVR子模型的预测结果求和，得到2种轨道质量指数TQI预测模型：ARMA-BP神经网络和ARMA-SVR预测模型的建模流程如图3所示。
式中，F是指区域内所发生雷击灾害的年平均次数，单位为次／年，反映的是某一地区发生雷击灾害的频繁程度，以及承灾体防御雷击的能力强弱［12］。其中，N为长沙地区2002—2017年的雷击灾害资料，n为统计时间序列。
图3 建模流程
下文建模采用图1中庆兴隧道的TQI样本。
ARMA模型是时间序列分析中具有代表性的一类有限参数线性模型，能描述平稳时间序列内部的相关关系，适合平稳时间序列建模。ARMA模型建模过程如下。
对于镁肥的应用有以下建议：一是应该根据土壤性质(如土壤酸度)来选择适宜的镁肥品种。酸性土壤上适合施用白云石粉、氢氧化镁及氧化镁等碱性肥料，而接近中性的旱地土壤则适合施用硫酸镁等速效性镁肥；二是在降水量较大，淋溶较强的地区，适合施用白云石粉、氧化镁和钙镁磷肥等溶解性较小的镁肥；三是为充分保证作物对镁的吸收，镁肥的施用量要适宜；四是镁肥与其它肥料合理配合能够提高其肥效。在施用氮磷钾肥的基础上配合施用镁肥，对作物的增产效果较好；五是镁肥肥效的大小也与作物的特性有关。与禾本科作物相比，豆科作物如大豆和花生等对于镁肥的反应比较明显。
(1)TQI时间序列高频成分的平稳性检验。ARMA模型要求时间序列满足平稳性，可以利用ADF检验方法进行检验。如果TQI时间序列高频成分不满足平稳性，可以进行差分处理使其满足平稳性，最后对预测结果进行积分处理。
(2)模型阶数选取。自回归阶数n与滑动平均阶数m一般根据贝叶斯信息准则(BIC)[16]确定。BIC准则在模型复杂度与模型对数据描述能力之间寻求最佳平衡，通过加入模型复杂度的惩罚项避免过拟合问题，是衡量模型拟合优良性的一种标准。BIC统计量为
BIC=klnM-2lnL
(4)
式中：k为模型参数个数；L为模型极大似然函数值；M为样本容量。
本文分别对n和m取不同的值，当BIC统计量最小时将对应的n和m作为模型阶数。图4为n和m取不同值时庆兴隧道TQI样本的BIC统计量的柱状分布图。由图4可知对于庆兴隧道的TQI样本应取n=2，m=3。
图4 不同自回归阶数、滑动平均阶数时庆兴隧道TQI样本的BIC统计量
(3)采用最小二乘法进行模型参数估计，得到模型参数。
BP神经网络是一种常用的前馈型神经网络，具有较强的非线性建模能力。理论上，1个3层神经网络能够逼近任一复杂的非线性系统。利用BP神经网络进行TQI时间序列低频成分建模过程如下。
(1)网络结构设计，确定各层节点数目。将神经网络层数选定为3。为了保证输入信息充足，选取输入层节点数为5，输出层节点数为1。对于关键的隐含层节点数目，分别选取节点数2～10(数目过大容易产生过拟合，降低模型泛化能力)，然后随机选取不同的模型初始值，对每个隐含层节点数目的神经网络均训练100次，计算模型预测均方根误差的平均值，结果如图5所示。选取使误差最小的值作为隐含层节点数，由图5可知隐含层节点数应取9。
用于桥面铺装层的玄武岩纤维增强聚合物混凝土试验研究……………………………………………………… 房金刚（2-105）
(2)输入输出数据格式整理。对于长度为N的TQI时间序列x1,x2,…,xN，神经网络的输入输出层节点数分别为p和1时，原序列需要构造成矩阵形式。其中，输入矩阵为
图5 模型误差与隐含层节点数目关系曲线
输入输出矩阵的每一行是1组输入输出数据。
(3)数据规范化。采用最小—最大规范化方法，对输入输出矩阵的每一列进行规范化，计算式为
(5)
式中：
(4)确定神经网络训练参数。神经网络隐含层和输出层的激活函数分别取Log-sigmoid函数和Purelin函数，模型训练方法为自适应学习率梯度下降算法，学习率为0.01，目标误差精度0.01，最大迭代次数105次。
(5)模型训练与预测。
支持向量回归SVR是支持向量机SVM进行回归和数值预测时的变体，具有较强的非线性建模能力。SVR基于结构风险最小化策略训练模型，不太容易过分拟合，因此具有较好的泛化能力；采用核函数代替复杂的高维空间内积运算，能够有效克服维数灾难和局部极小问题。SVR试图找到1个决策函数f(x)=ωTx+b， 其中ω和b为待定系数，使得函数值f(x)与真实值y尽可能接近。一般认为当y-f(x)=0时模型的损失才为0，而支持向量回归SVR允许y与f(x)之间存在最大偏差θ，即引进损失函数lθ(x)。
(6)
SVR的结构风险函数为
(7)
式中：‖ω‖2为模型参数绝对值的平方，描述模型的复杂程度；C为惩罚系数。
SVR通过最小化RSRM求解模型参数，通过引入松弛因子η和
i=1, 2, …, M
精密量取以水为溶出介质的对照品溶液和供试品溶液，用0.45 μm的过滤膜过滤，弃去不同体积的初滤液，取续滤液测定溶液含量随初滤体积的变化，并与未过滤的工作对照品溶液或离心的样品溶液相比较，计算回收率。结果见表1。
(8)
s.t.
ηi≥0
学校坚持“立路标，树榜样，培养社会主义事业可靠接班人与育人相融合”、“发挥重点学科优势，育人与学科建设相融合”、“以情感教育、心理健康教育与育人相融合”，将学生骨干日常思想政治教育工作与学校国家级优秀教学团队、省部级高校创新团队的建设相融合，开展综合素质培养、职业能力提升等系列活动，形成学生骨干培养与创新人才培养模式的互动机制；将国家级重点学科、国家社科基金项目等高层次教学科研平台与育人融合，组织广大学生骨干积极参与各类科研项目立项、课题调研等，提高学生骨干的学术科研水平。
式中：M为数据样本容量。
利用SVR对TQI低频成分建模的过程如下。
1)训练数据集选取与整理
选定训练数据集{(x1,y1), (x2,y2), …, (xN-p,yN-p)}∈Rp×R， 其中xi=(xi, xi+1, …, xi+p-1)， yi=xi+p， 1≤i≤N-p。并采用与神经网络同样的方法整理输入输出数据的格式。
2)构造最优化问题
2.2.8.3 发病条件。较高的温度(日间27～35 ℃，夜间21 ℃左右)和较高的大气湿度下，此病发生严重。土壤干旱和贫瘠，牧草抗病力减弱。缺钙而又氮素过高时，此病发生较重。
建立对偶形式SVR结构风险函数。
ICT促进公平、民主的学习型社会美好愿景的实现，有赖于多种复杂的影响成人参与学习因子的有效化解与开发。面对数字化时代成人参与学习所面临的诸多障碍，成人学习个体、教育实施机构、政府决策组织以及关联合作部门唯其施以更多的反思与促进，方能提升成人参与网络学习的乐趣与效能。
(9)
s.t.
ai≤C
式中：a和
式(9)的详细推导参见文献[17]。
基于大量分析对比，本文选择径向基函数作为核函数，即
K(x,y)=exp(-r|x-y|2)
(10)
式中：r为径向基核函数的参数。
3)模型参数确定
2.色彩 中国传统的五行色彩是一种最具民族代表性的色彩体系，其与“金木水火土”五行相对应，分别为：白、青、黑、赤、黄。这五种颜色分别具有不同的象征意义，其中白色给人感觉明亮、朴素、纯洁、雅致；青色包含蓝色和绿色，蓝色是冷静、沉思、智慧的象征，绿色被视为和平、生命、希望的化身；黑色是严肃、冷酷、沉重的代名词；赤就是红色，它是热烈、振奋、红火、吉祥的代表；黄色一直都是神圣、富贵、威严、地位的象征。长期以来，五行色彩发展成为了能够代表中国文化的民族色彩。中国传统色彩与现代平面设计的结合，更好地发掘了传统的文化内涵，表达了丰富的民族情感，形成了国际化的视觉语言。
在r，C和θ这3个参数中，θ是决定模型精度的最关键参数。令θ在0.01～0.5范围内以0.01的间隔依次递增，对于每个不同的θ值，同时允许r和C在合理范围内取值，并对r和C优化使得SVR对TQI低频序列的拟合和预测均方根误差最小。图6为r和C取最优值时，θ在0.10～0.30范围内的均方根误差变化曲线。结果表明，当θ取0.23时预测误差最小，但拟合误差略大；均衡考虑拟合和预测误差，θ取0.20。
图6 SVR均方根误差与θ的关系曲线
经过初步试算，r和C相对合理的取值范围log2C为[5,15]，log2r为[-15,-5]。当θ=0.20时，计算不同r和C情况下的SVR预测均方根误差，如图7所示。当预测误差最小时，r≈0.001，C≈16 000。
1—8月累计，全国政府性基金预算收入43228亿元，同比增长31.5%；全国政府性基金预算支出40320亿元，同比增长33.2%。
图7 θ=0.20时，SVR均方根误差与惩罚系数C、核函数参数r的关系曲面
4)求解最优化问题
求解式(9)二次型规划可得拉格朗日乘子a和
(11)
式中：φ(xi)为第i个数据样本的映射函数值。
选择1个正值拉格朗日乘子0<aj<C，计算b。
(12)
5)构造决策函数
由
(13)
为了验证模型对已知数据的拟合效果和对未知数据的预测能力，利用ARMA-BP神经网络和ARMA-SVR预测模型对图1中的样本进行拟合和预测，并与单一非线性预测模型的预测结果进行对比，其中2014年1月—2016年7月(前31个)的TQI值用于模型训练，2016年8月—2016年12月(后5个)的值用于模型预测。此外，还分别计算了2个隧道中10个无砟轨道区段的模型的准确度指标，以对比2个组合模型之间的优劣。
图8为本文预测模型和单一模型(BP神经网络和SVR)对庆兴隧道K770+600—K770+800里程区段TQI样本的拟合和预测结果。图9为吴堡隧道K1 192+600—K1 192+800里程区段TQI样本的拟合和预测结果。表2统计了各模型的拟合与预测的均方根误差。由于神经网络的输入层确定为5层，为了便于对比，SVR的输入向量维数取5维。此时，前5次数据(2014年1月—5月数据)只能作为模型的输入值，无法进行预测，故图8与图9中没有对应数据。
表2 各模型的拟合和预测均方根误差
模型类型庆兴隧道吴堡隧道拟合误差预测误差拟合误差预测误差ARMA-BP神经网络0.035 70.085 50.078 40.111 3BP神经网络0.021 10.142 70.055 70.312 0ARMA-SVR0.045 20.055 20.097 30.097 8SVR0.037 00.103 60.092 00.148 7
由图8和图9可以看出：相比于本文提出的预测模型(ARMA-BP神经网络和ARMA-SVR)，单一预测模型(BP神经网络和SVR)的拟合精度较高，但预测精度明显降低。这是因为，TQI时间序列不同频率成分的特性存在差异，单一非线性模型难以对具有多种成分、不同特性的复杂时间序列进行有效模拟，往往对训练数据过拟合，导致模型复杂度偏高，从而降低了泛化能力，预测误差偏高。因此，单一模型不适合TQI预测。
（1）5种材料在恒定硫酸浓度下腐蚀速率均随着温度上升而升高，且相对大小为：Q235>20#钢>20G钢>Corten钢>ND。
图8 庆兴隧道TQI样本模型预测效果对比
图9 吴堡隧道TQI样本模型预测效果对比
利用ARMA-BP神经网络和ARMA-SVR这2个模型分别对庆兴隧道和吴堡隧道共10个无砟轨道区段的TQI样本进行建模与预测，并与文献[11]中的GM(1,1)修正模型进行对比。根据文献[14]中的模型精度指标，计算3个模型的平均相对误差、均方根误差、模型精度及后验差4个指标在10个区段的平均值，结果见表3。
表3 各模型精度指标平均值
模型类型目的平均相对误差/%均方根误差模型精度/%后验差模型精度等级ARMA-BP神经网络拟合0.820.05799.180.088 11级(好) 预测1.870.09898.130.306 91级(好) ARMA-SVR拟合1.100.07198.900.137 71级(好) 预测1.510.07798.500.21021级(好) GM(1,1)修正模型拟合1.210.07998.780.154 91级(好) 预测2.360.15297.640.416 42级(合格)
结果表明：本文提出的2个模型的预测精度等级均为1级，均可对客货共线无砟轨道TQI时间序列进行有效预测；ARMA-BP神经网络的拟合精度高于ARMA-SVR，但预测精度低于ARMA-SVR，可以认为ARMA-SVR以牺牲拟合精度获得较高的预测精度，具有更强的泛化能力。对于客货共线无砟轨道得TQI时间序列，其低频趋势成分变化缓慢，不符合分段线性或指数等形式，具有指数函数形式的GM(1,1)模型将难以适用，而BP神经网络、SVR对此依然具有较强的建模和预测能力。
(1)客货共线隧道内无砟轨道TQI时间序列特征明显，包含了缓慢变化的低频成分和平稳波动的高频成分。
(2)ARMA-BP神经网络和ARMA-SVR模型可以对具有不同特性多种成分的复杂TQI时间序列进行综合建模，预测精度明显高于BP神经网络和SVR预测模型。ARMA-BP神经网络和ARMA-SVR模型的预测精度等级均为1级，能够有效预测客货共运线路无砟轨道TQI时间序列发展。
度洛西汀的质量浓度与峰面积在38.8～155.2 μg/mL(r=1.0000，n=8)内线性关系良好，而杂质Ⅲ和Ⅷ的质量浓度与峰面积分别在0.08～0.33 μg/mL(r=0.9999，n=8) 和 0.08～0.32 μg/mL(r=0.9997，n=8)内呈良好的线性关系。
(3)本文提出的预测模型没有考虑客货共线无砟轨道大修情况的影响。大修作业对无砟轨道TQI变化规律的影响及预测方法需要进一步研究。
参考文献
[1] 佐藤吉彦.新轨道力学[M]. 徐涌译.北京：中国铁道出版社，2001.
[2] 杉山德平，家田仁.軌道狂い状态を考虑した軌道破坏の要因分析[J].鉄道線路，1986(9)：8-12.
[3] 内田雅夫，石川達也，名村明，等. 軌道狂い進みに着目した有道床軌道の新しい設計法[J].鉄道総研报告，1995，9(4)：37-42.
[4] 罗林，张格明，吴旺青，等. 轮轨系统轨道平顺状态的控制[M]. 北京：中国铁道出版社，2006.
[5] TRASK E R，FRATICELLI C. Computer-Based Maintenance Planning on CN Railways[J]. Railway Track and Structures，1991，87(10)：18-20.
[6] DANIEL K. Optimal Estimation and Rail Tracking Analysis[D]. Amherst：University of Massachusetts，2005.
[7] 许玉德，李海锋，周宇. 铁路轨道高低不平顺的预测方法[J]. 同济大学学报，2003，31(3)：291-295.
(XU Yude，LI Haifeng，ZHOU Yu. Forecast Methods of Track Longitudinal Level Irregularity[J]. Journal of Tongji University，2003，31(3)：291-295. in Chinese)
[8] 陈宪麦，王澜，杨凤春，等. 用于铁路轨道不平顺预测的综合因子法[J]. 中国铁道科学，2006，27(6)：27-31.
(CHEN Xianmai，WANG Lan，YANG Fengchun，et al. Integrating Factor Method for Predicting the Developing Trend of Railway Track Irregularity[J]. China Railway Science，2006，27(6)：27-31. in Chinese)
[9] 高建敏，翟婉明，徐涌，等. 基于概率分布的轨道不平顺发展统计预测[J]. 铁道科学与工程学报，2006，3(6)：55-60.
(GAO Jianmin，ZHAI Wanming，XU Yong，et al. Development Forecast Model of Track Irregularity Based on Probability Distribution[J]. Journal of Railway Science and Engineering，2006，3(6)：55-60. in Chinese)
[10] XU Peng，JIA Chuanjun，LI Ye，et al. Developing an Enhanced Short-Range Railroad Track Condition Prediction Model for Optimal Maintenance Scheduling [J]. Mathematical Problems in Engineering，2015，(3)：1-12.
[11] 曲建军，高亮，张新奎，等. 基于灰色GM(1,1)非等时距修正模型的轨道质量预测[J]. 中国铁道科学，2009，30(3)：5-8.
(QU Jianjun， GAO Liang， ZHANG Xinkui，et al. A Prediction Method for Track Quality Based on Grey GM(1,1) Non-Equal Time Interval Correction Model[J]. China Railway Science，2009，30(3)：5-8. in Chinese)
[12] LI Hui，XIAO Tianyuan. Improved Generalized Energy Index Method for Comprehensive Evaluation and Prediction of Track Irregularity [J]. Journal of Statistical Computation and Simulation，2014，84(6)：1213-1231.
[13] 贾朝龙，徐维祥，王福田，等. 基于GM(1,1)与AR模型的轨道不平顺状态预测[J]. 北京交通大学学报，2012，36(3)：52-56.
(JIA Chaolong，XU Weixiang，WANG Futian，et al. Prediction of Track Irregularity State Based on Grey GM(1,1) and Stochastic Linear AR Model[J]. Journal of Beijing Jiaotong University，2012，36(3)：52-56. in Chinese)
[14] 韩晋，杨岳，陈峰，等. 基于非等时距加权灰色模型与神经网络的轨道不平顺预测[J]. 铁道学报，2014，36(1)：81-87.
(HAN Jin，YANG Yue，CHEN Feng，et al. Prediction of Track Irregularity Based on Non-Equal Interval Weighted Grey Model and Neural Network[J]. Journal of the China Railway Society，2014，36(1)：81-87. in Chinese)
[15] 高铁梅. 计量经济分析方法与建模[M]. 北京：清华大学出版社，2006.
[16] SCHWARZ G. Estimating the Dimension of a Model[J]. The Annals of Statistics，1978，6(2)：461-464.
[17] 李航. 统计学习方法[M]. 北京：清华大学出版社，2012.
联系客服
