基于遗传BP神经网络的短时交通流预测

为了预测未来一段时间的短时交通流,提出了一种利用BP神经网络进行预测的方法。将历史时刻的车流量作为网络输入,未来短时流量作为输出,采用单步预测。为了缩短收敛时间,避免陷入局部极小值,用遗传算法优化网络初始权值和阈值。对未优化与优化后的网络进行测试。实验证明,未优化的BP神经网络预测精度较低,且收敛时间较长;而遗传优化算法使预测精度及收敛速度得到极大改善,但样本的数量及质量是影响预测精度的关键要素。     

基于XgBoost算法的牵引变流器柜体温度异常检测

牵引变流器是列车电气系统的重要组成部分,它直接关系到列车能否正常运行。牵引变流器的柜体温度变化可以间接的反应牵引变流器的健康状态。当前列车的牵引变流器的柜体温度的异常判断准则比较简单：通过阈值进行判断,即高于某个温度值则视为异常。但是这种方法存在如下的缺点：当阈值过高时,对温度不敏感,准确率较低;而阈值较低时,误报率较高。本文介绍了一种综合当前时刻牵引变流器冷却系统的温度和压力、列车速度、室外温度、牵引变流器的电压和电流等变量作为输入的回归算法计算温度预测值,基于XgBoost算法检测高速列车牵引变流器柜体温度异常。