• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

铁路基础设施位移数据预测模型研究

路志远, 潘佩芬, 白雪娇, 张吉峰, 张良会

路志远, 潘佩芬, 白雪娇, 张吉峰, 张良会. 铁路基础设施位移数据预测模型研究[J]. 铁路计算机应用, 2022, 31(3): 12-18. DOI: 10.3969/j.issn.1005-8451.2022.03.03
引用本文: 路志远, 潘佩芬, 白雪娇, 张吉峰, 张良会. 铁路基础设施位移数据预测模型研究[J]. 铁路计算机应用, 2022, 31(3): 12-18. DOI: 10.3969/j.issn.1005-8451.2022.03.03
LU Zhiyuan, PAN Peifen, BAI Xuejiao, ZHANG Jifeng, ZHANG Lianghui. Prediction model for displacement data of railway infrastructure[J]. Railway Computer Application, 2022, 31(3): 12-18. DOI: 10.3969/j.issn.1005-8451.2022.03.03
Citation: LU Zhiyuan, PAN Peifen, BAI Xuejiao, ZHANG Jifeng, ZHANG Lianghui. Prediction model for displacement data of railway infrastructure[J]. Railway Computer Application, 2022, 31(3): 12-18. DOI: 10.3969/j.issn.1005-8451.2022.03.03

铁路基础设施位移数据预测模型研究

基金项目: 四川省科技计划重点研发项目(2020GZYZF0010);中国铁路总公司科技研究开发计划课题(P2018G051);京沪高速铁路股份有限公司科技研究项目(京沪科研-2020-9)
详细信息
    作者简介:

    路志远,研究实习员

    潘佩芬,副研究员

  • 中图分类号: U2 : TP39

Prediction model for displacement data of railway infrastructure

  • 摘要: 线路安全是铁路运营的重要前提,我国铁路跨度广、行车环境复杂,当铁路基础设施稳定性产生改变时往往会严重影响行车安全。文章采用长短期记忆(LSTM ,Long Short-Term Memory)模型对基于全球导航卫星系统(GNSS,Global Navigation Satellite System)的铁路基础设施监测系统的形变监测数据进行建模预测,实现对铁路基础设施灾害的早期预警,并与多种传统时间序列预测模型进行对比,结果表明,LSTM模型具有更好的性能。
    Abstract: Railway safety is an important prerequisite for operation. Due to the wide span and complex driving environment of China's railway, when the stability of railway infrastructure changes, it will seriously affect the driving safety. This paper used Long Short-Term Memory(LSTM)model to model and predict the deformation monitoring data of railway infrastructure monitoring system based on Global Navigation Satellite System(GNSS), Achieved early warning of railway infrastructure disasters, and compared it with various traditional time series prediction models. The experimental results show that the LSTM model has better performance.
  • 在实际运营中,动车组各类系统的组件间存在优先相关性、顺序相关性和功能相关性等动态特点[1],为提高动车组各类系统的可靠性,冗余设计被广泛应用于动车组的各类系统中,但同时也带来了动态失效等问题[2]。动车组牵引传动系统(简称:牵引传动系统)是动车组能量传递与转换的关键组成部分之一,也是动车组故障的主要来源之一。冗余设计导致牵引传动系统的高压电器设备在服役过程中产生动态失效。而传统的可靠性分析方法难以描述该动态失效对牵引传动系统产生的影响,因此,亟需研究并建立牵引传动系统可靠性评估模型并分析其动态特性,全面评估牵引传动系统的服役性能。

    目前,牵引传动系统可靠性分析主要采用可靠性框图(RBD,Reliability Block Diagram)、故障模式影响及危害性分析法(FMECA,Failure Mode Effects and Criticality Analysis)、故障树分析法(FTA,Fault Tree Analysis)、贝叶斯网络(BN,Bayesian Network)、Markov模型、Petri网等[3-8]。其中,RBD、FMECA、FTA和BN模型无法描述复杂系统的动态失效行为和可维修性;Markov模型随底事件增加会引起状态空间爆炸;Petri网对复杂系统分析能力不足。文献[9]依据牵引传动系统的RBD,得到其可靠度、可用度随时间变化的曲线,但忽略了牵引传动系统在服役过程中产生的动态失效问题;文献[10]基于动态贝叶斯网络(DBN,Dynamic Bayesian Network)模型对CRH3型动车组的牵引传动系统进行可靠性分析,但没有考虑可维修性。目前,鲜有论文在对牵引传动系统进行可靠性评估的同时考虑其动态特性和可维修性。

    DBN既具备BN的优点,又能有效地描述复杂系统的动态特性和可维修性问题,因此,被广泛应用于复杂系统的动态可靠性分析[11-12]。本文基于DBN进行建模,对动车组牵引传动系统进行可靠性分析,完成故障诊断,识别薄弱环节,为运行风险评估提供参考依据。

    DBN在BN基础上引入Markov模型的表征状态转移过程。DBN可定义为$ \left( {{B_1},{B_ \to }} \right) $。其中,$ {B_1} $为初始BN;$ {B_ \to } $为转移BN,$ \left( {{B_1},{B_ \to }} \right) $之间的概率关系$ P\left( {{X_t}\mid {X_{t - 1}}} \right) $可定义为

    $$ P\left({X}_{t}\mid {X}_{t-1}\right)=\prod _{i=1}^{N}P\left({X}_{t}^{i}\mid Pa\left({X}_{t}^{i}\right)\right) $$ (1)

    式中,$ {X_t} $ 为时间片$ t $中的节点变量;$ X_t^i $ 为时间片$ t $中的第 $ i $ 个节点;$ Pa\left( {X_t^i} \right) $$ X_t^i $ 的父节点;$ N $为节点个数。由式(1)可得DBN在M个时间片段展开后的联合概率分布为

    $$ P\left({X}_{1:M}\right)=\prod _{t=1}^{M}\prod _{i=1}^{N}P\left({X}_{t}^{i}\mid Pa\left({X}_{t}^{i}\right)\right) $$ (2)

    式中,$ {X_{1:M}} = \left\{ {{X_1},{X_2}, \cdots ,{X_M}} \right\} $

    本文综合考虑牵引传动系统的动态特性和可维修性,依据CRH3型动车组牵引传动系统RBD和动态失效行为,建立动态故障树。基于DBN的建模主要为动态故障树向DBN的映射过程,该过程可分为静态逻辑门和动态逻辑门的DBN转换。假设底事件只存在正常(值为0)和故障(值为1)两种状态。

    (1)与门。当输入事件AB都发生时,对应输出事件C发生,与门的DBN转换如图1所示,通过添加各时间片段的有向弧,实现 $ t $$ t + \Delta t $ 的扩展。

    图  1  与门的DBN转换示意

    转换后,与门的DBN的条件概率表达式为

    $$ \left\{\begin{array}{l}P(A(t+\text{Δ}t)=1\mid A(t)=0)={\displaystyle\int }_{t}^{t+\text{Δ}t}{f}_{A}(t)\text{d}t \\ P(A(t+\text{Δ}t)=1\mid A(t)=1)=1-{\displaystyle\int }_{t}^{t+\text{Δ}t}{g}_{A}(t)\text{d}t\\ P(B(t+\text{Δ}t)=1\mid B(t)=0)={\displaystyle\int }_{t}^{t+\text{Δ}t}{f}_{B}(t)\text{d}t\\ P(B(t+\text{Δ}t)=1\mid B(t)=1)=1-{\displaystyle\int }_{t}^{t+\text{Δ}t}{g}_{B}(t)\text{d}t \end{array}\right. $$ (3)
    $$ \left\{ \begin{gathered} P(C = 1\mid A(t + {{\Delta }}t) = 1,B(t + {{\Delta }}t) = 1) = 1 \\ P(C = 1\mid {\text{else}}) = 0 \\ \end{gathered} \right. $$ (4)

    式(3)中,$ A(t) $为时间片段t时的事件 $ A $$ B(t) $为时间片段t时的事件$ B $$ {f_A}(t) $$ {f_B}(t) $为事件 $ A $$ B $ 的失效密度函数; $ {g}_{A}(t) $$ {g}_{B}(t) $分别为事件 $ A $$ B $ 的维修密度函数。

    (2)或门。当输入事件AB任意一个发生时,对应输出事件C发生。或门的DBN转换如图2所示。

    图  2  或门的DBN转换示意

    转换后,或门的DBN的条件概率表达式和与门类似,区别在于事件C的条件概率,表达式为

    $$ \left\{ \begin{gathered} P(C = 1\mid A(t + {{\Delta }}t) = 0,B(t + {{\Delta }}t) = 0) = 0 \\ P(C = 1\mid {\text{else}}) = 1 \\ \end{gathered} \right. $$ (5)

    动态逻辑门主要有优先与门、顺序相关门、功能相关门和备件门。本文研究只涉及备件门,备件门主要有冷备件门(CSP ,Cold Spare)、热备件门(HSP ,Hot Spare)和温备件门(WSP ,Warm Spare),包含主件和备件。主件工作时,备件处于休眠状态且故障率 $ \lambda $ 是主件的 $ \alpha $ 倍。CSP指备件B在主件A工作时处于待命状态,$ \alpha $=0;HSP指主件A和备件B同处于工作状态,$ \alpha $=1;WSP指备件B在主件A工作时处于预工作状态,$ 0<\alpha <1 $。本文以WSP为例,分析其DBN转换过程,如图3所示。

    图  3  WSP的DBN转换示意

    转换后,WSP的DBN的条件概率表达式为

    $$ \left\{\begin{aligned}&P(A(t+\text{Δ}t)=1\mid A(t)=0)={\displaystyle\int }_{t}^{t+\text{Δ}t}{f}_{A}(t)\text{d}t \\ &P(A(t+\text{Δ}t)=1\mid A(t)=1)=1-{\displaystyle\int }_{t}^{t+\text{Δ}t}{g}_{A}(t)\text{d}t\\ &P(B(t+\text{Δt})=1\mid B(t)=1)=1-{\displaystyle\int }_{t}^{t+\text{Δ}t}{g}_{B}(t)\text{d}t\\ &P(B(t+\text{Δ}t)=1\mid A(t)=0,B(t)=0)={\displaystyle\int }_{t}^{t+\text{Δ}}{f}_{\alpha B}(t)\text{d}t\\ &P(B(t+\text{Δ}t)=1\mid A(t)=1,B(t)=0)={\displaystyle\int }_{t}^{t+\text{Δ}t}{f}_{B}(t)\text{d}t \end{aligned}\right. $$ (6)
    $$ \left\{ \begin{gathered} P(C = 1\mid A(t + {{\Delta }}t) = 1,B(t + {{\Delta }}t) = 1) = 1 \\ P(C = 1\mid {\text{else}}) = 0 \\ \end{gathered} \right. $$ (7)

    式(6)中,$ {f_{\alpha B}}(t) $ 为事件 B 备用状态时的失效密度函数。

    基于DBN可靠性建模的可用性验证主要公理[13]包括:(1)增大或减小父节点的先验概率会增大或减小其子节点的后验概率;(2)任意父节点概率分布的变化对子节点产生的影响程度一致;(3)调整多个父节点的先验概率导致的影响,应大于仅调整一个父节点带来的组合概率变化。

    重要度是系统可靠性分析的重要指标,描述了系统中一个部件或最小割集对顶事件发生的贡献的大小,是识别系统薄弱环节的重要依据。DBN模型的重要度指标包括RAW(Reliability Achievement Worth)重要度、RRW(Reliability Reduction Worth)重要度、F-V(Fussell-Vesely)重要度和BM(Birnbaum Measure)重要度[14]

    (1)RAW重要度可体现出系统一个模块的故障概率提高对整个系统故障概率的增加程度,其公式为

    $$ I_{{E_i}}^{RAW} = \frac{{P\left( {T = 1\left| {{E_i} = 1} \right.} \right)}}{{P\left( {T = 1} \right)}} $$ (8)

    式中,$ P\left( {T = 1} \right) $表示系统故障的概率;$ P\left( {T = 1\left| {{E_i} = 1} \right.} \right) $表示基本事件$ {E_i} $的发生概率设置为1时的系统发生故障的条件概率;i=1,2,···,n

    (2)RRW重要度可体现模块故障概率下降对系统整体故障概率的降低程度,其公式为

    $$ I_{{E_i}}^{RRW} = \frac{{P\left( {T = 1} \right)}}{{P\left( {T = 1\left| {{E_i} = 0} \right.} \right)}} $$ (9)

    式中,$ P\left( {T = 1\left| {{E_i} = 0} \right.} \right) $表示基本事件$ {E_i} $概率设置为0时的条件概率。

    (3)F-V重要度可体现模块故障概率降低到零对系统风险贡献的大小,其公式为

    $$ I_{{E_i}}^{F-V} = \frac{{P\left( {T = 1} \right) - P\left( {T = 1\left| {{E_i} = 0} \right.} \right)}}{{P\left( {T = 1} \right)}} = 1 - \frac{1}{{I_{{E_i}}^{RRW}}} $$ (10)

    (4)BM重要度可体现模块故障状态变化导致系统故障概率的变化程度,其公式为

    $$ I_{{E_i}}^{BM} = P\left( {T = 1\left| {{E_i} = 1} \right.} \right) - P\left( {T = 1\left| {{E_i} = 0} \right.} \right) $$ (11)

    CRH3型动车组为8辆编组,由2个牵引单元组成,每个牵引单元配置高压电器设备、牵引传动设备及相应的冷却系统,动力设置采用“4动4拖”的形式。一个牵引单元包括2节动车(车厢编号分别为EC01和IC03)和2节拖车(车厢编号分别为TC02和BC04);另一个牵引单元包括2节动车(车厢编号分别为IC06、EC08)和2节拖车(车厢编号分别为FC05、TC07)。

    当动车组正常运行时,同一时刻仅有一个受电弓工作,接触网将电能传导到该受电弓,通过高压电器设备传送到牵引变压器,由牵引变压器向牵引变流器供电,进而使牵引电机带动机械传动装置来牵引动车组。当一个受电弓工作时,另一个受电弓及其所属高压电器模块处于备用状态,当被选受电弓及其所属的高压电器模块出现故障时,被选受电弓降弓,则备用受电弓及其所属高压电器模块替代前者投入工作,保障动车组的平稳运行。上述冗余备份设计,会使高压电器模块产生动态失效,进而对牵引传动系统造成影响。

    由于牵引传动系统结构庞大且复杂,直接以部件为底事件进行分析,计算繁琐、难以求解。因此,采用模块化理论对牵引传动系统进行模块划分[15]。考虑到高压电器模块存在的动态失效问题,本文将高压电器模块间的动态失效行为用WSP描述,设$ \alpha $=0.1。将TC02车的高压电器模块作为主件,TC07车的高压电器模块作为备件。

    本文对牵引传动系统进行可靠性建模时,将降容运行工作模式也认定为系统故障,只有当2个牵引单元均正常工作时,才认定系统属于正常状态。依据CRH3型动车组牵引传动系统可靠性框图[3]和系统故障模式及失效机理,建立其动态故障树,如图4所示,图4中编号与模块名称的对应列表如表1所示,模块的可靠性参数如表2所示,各模块的故障率和维修率来源于文献[9]。

    图  4  牵引传动系统动态故障树
    表  1  牵引传动系统编号与模块名称对应列表
    编号模块名称编号模块名称
    T牵引传动系统X1TC02车高压电器模块
    M1高压电器系统X2TC07车高压电器模块
    M2牵引系统X3车顶连接模块
    M3高压引流单元X4TC02车牵引变压模块
    M4第一牵引单元X5TC07车牵引变压模块
    M5第二牵引单元X6EC01车牵引变流模块
    M6第一牵引子单元X7EC01车牵引传动模块
    M7第二牵引子单元X8IC03车牵引变流模块
    M8EC01车牵引传动单元X9IC03车牵引传动模块
    M9IC03车牵引传动单元X10IC06车牵引变流模块
    M10IC06车牵引传动单元X11IC06车牵引传动模块
    M11EC08车牵引传动单元X12EC08车牵引变流模块
    ————X13EC08车牵引传动模块
    下载: 导出CSV 
    | 显示表格
    表  2  牵引传动系统模块可靠性参数
    编号模块名称故障率$ \lambda /(次·{\text{h}}^{-1}) $维修率$ \mu /(次·{\text{h}}^{-1}) $
    X1TC02车高压电器模块0.00074060.0733430
    X2TC07车高压电器模块0.00073360.0603643
    X3车顶连接模块0.00012520.0777019
    X4TC02车牵引变压模块0.00004840.0298764
    X5TC07车牵引变压模块0.00010370.0251932
    X6EC01车牵引变流模块0.00028490.0897449
    X7EC01车牵引传动模块0.00033510.0173372
    X8IC03车牵引变流模块0.00027290.1049401
    X9IC03车牵引传动模块0.00027910.0193321
    X10IC06车牵引变流模块0.00022890.0683832
    X11IC06车牵引传动模块0.00020750.0193673
    X12EC08车牵引变流模块0.00001590.0553225
    X13EC08车牵引传动模块0.00019550.0168959
    下载: 导出CSV 
    | 显示表格

    根据动车组现场实际运营时间估算,牵引传动系统每日平均工作时长为18 h,则1个星期为126 h。因此,取时间间隔$ {{\Delta }}t $=126 h。基于GeNIe软件构建模型,设定运行时间为52个星期,将表2中各模块可靠性参数带入模型,利用联合树算法进行正反推理。本文假设模块故障率与维修率均服从指数分布,系统和模块只有正常和故障两种状态。

    依据逻辑门的DBN转化规则将动态故障树转换为DBN。牵引传动系统的DBN如图5所示。

    图  5  牵引传动系统的DBN

    当不考虑可维修性时,对牵引传动系统T、高压引流单元M3、第1牵引单元M4和第2牵引单元M5进行动态可靠度分析,通过DBN的正向推理,可得牵引传动系统和上述模块的可靠度变化曲线如图6所示。

    图  6  牵引传动系统及部分模块可靠度变化曲线

    图6可知,当不考虑维修因素时,M3、M4、M5各模块的可靠度随运行时间逐渐下降,进而引起牵引传动系统可靠度下降,其中,M4可靠度的降低对系统可靠度影响最大,其次是M5、M3。

    当考虑可维修性时,可得到牵引传动系统在任意时刻处于正常工作状态的概率,即系统可用度。牵引传动系统可用度变化曲线如图7所示。

    图  7  牵引传动系统可用度变化曲线

    图7可知,牵引传动系统T和M3、M4、M5各模块的可用度随运行时间下降趋于缓和,达到系统稳态可用度。M3、M4、M5各模块的稳态可用度分别为0.999736、0.948089、0.963443,牵引传动系统T快速达到稳态可用度0.910467。

    通过DBN的反向推理功能,可得出在第52周牵引传动系统故障时,各模块失效的后验概率,如图8所示。由图8可知,EC01车牵引传动模块X7、IC03车牵引传动模块X9、EC01车牵引变流模块X6、IC03车牵引变流模块X8和IC06车牵引变流模块X10失效的后验概率较大,当系统失效后,进行失效模块排查时,应优先对上述模块进行排查。

    图  8  各模块后验概率

    根据1.3小节,可求出牵引传动系统各模块在运行至52周时的BM重要度、F-V重要度、RAW重要度和RRW重要度,如表3所示。

    表  3  牵引传动系统各模块重要度
    模块重要度
    BMF-VRAWRRW
    X10.0667250.0224831.2523151.023000
    X20.3527110.0224832.4301121.023000
    X30.7690360.0488024.1183741.051306
    X40.7619020.0194234.1183741.019808
    X50.7674470.0422604.1183741.044125
    X60.7838820.1099454.1183741.123527
    X70.7924590.1452674.1183741.169956
    X80.7827820.1054144.1183741.117836
    X90.7858630.1181044.1183741.133921
    X100.7787170.0886754.1183741.097303
    X110.7785870.0881404.1183741.096660
    X120.7587050.0062564.1183741.006295
    X130.7781000.0861324.1183741.094250
    下载: 导出CSV 
    | 显示表格

    表3可知,EC01车牵引传动模块X7、IC03车牵引传动模块X9、EC01车牵引变流模块X6、IC03车牵引变流模块X8和IC06车牵引变流模块X10的4种重要度均较高,是系统的薄弱环节,各模块的重要度可为牵引传动系统可靠性的优化提供参考,同时也为故障诊断与维修决策提供依据。

    (1)将模块X4的故障概率由0设为0.5,系统运行52周后,可靠度从0.772227降低到0.510803;(2)继续将模块X5的故障概率由0设为0.5,可靠度降低到0.335669;(3)继续将模块X6和模块X7的故障概率设为0.5,系统可靠度降低到0.159130。通过以上分析可知,基于DBN的动车组牵引传动系统可靠性评估模型满足3条公理,其可用性得到验证。

    结合可靠性分析结果可知,基于DBN的动车组牵引传动系统可靠性评估模型能全面掌握牵引转动系统的可靠性演变规律。

    本文依据牵引传动系统的动态故障树构建基于DBN的动车组牵引传动系统可靠性评估模型。利用DBN的双向推理功能求解动车组牵引传动系统可靠性的动态变化趋势,得出系统薄弱环节。该方法有效避免了传统可靠性分析方法的局限性,较好地描述系统的动态特性和可维修性,可为运行风险评估和可靠性评估提供参考依据。

  • 图  1   铁路基础设施形变监测系统架构

    图  2   LSTM单元结构

    图  3   3种形变类型各维度位移曲线

    图  4   实验设计

    图  5   发育型监测数据位移预测曲线

    图  6   稳定型监测数据位移预测曲线

    图  7   波动稳定型监测数据位移预测曲线

    表  1   发育型监测数据预测精度指标

    东西南北垂直
    TimeRMSEMAETimeRMSEMAETimeRMSEMAE
    DT0.040.1010.0830.050.0450.0330.080.0440.034
    Linear0.060.0110.0080.060.0260.0190.080.0170.013
    SVM0.080.2400.2120.080.0730.0420.0170.0990.067
    RF0.110.0990.0790.120.0370.0260.100.0320.024
    GBRT0.160.1030.0830.160.0380.0250.080.0330.026
    ET0.190.1020.0840.210.0450.0330.100.0510.042
    ARD0.210.0110.0080.230.0260.0190.440.0170.013
    Byesian0.230.0110.0080.250.0260.0190.080.0170.013
    TheilSen0.250.0110.0080.270.0260.0190.120.0160.012
    RANSAC0.280.0110.0080.290.0260.0190.280.0170.012
    LSTM82.550.0300.0232.550.0250.0172.550.0180.013
    LSTM122.600.0350.0262.550.0270.0192.600.0210.015
    下载: 导出CSV

    表  2   稳定型监测数据预测精度指标

    东西南北垂直
    TimeRMSEMAETimeRMSEMAETimeRMSEMAE
    DT0.040.0600.0480.050.0480.0350.040.0520.042
    Linear0.060.0410.0330.060.0300.0230.060.0310.024
    SVM0.070.0680.0530.080.0530.0400.070.0910.066
    RF0.110.0490.0390.120.0340.0280.100.0450.034
    GBRT0.140.0480.0380.170.0350.0280.140.0460.035
    ET0.170.0660.0520.210.0550.0410.170.0560.045
    ARD0.190.0410.0330.230.0300.0230.190.0310.025
    Byesian0.200.0410.0330.250.0300.0230.210.0310.024
    TheilSen0.220.0470.0390.270.0310.0240.220.0310.025
    RANSAC0.230.0460.0380.290.0310.0240.240.0310.024
    LSTM82.550.0380.0312.580.0340.0272.590.0310.024
    LSTM122.530.0400.0322.600.0270.0212.600.0300.023
    下载: 导出CSV

    表  3   波动稳定型监测数据预测精度指标

    东西南北垂直
    TimeRMSEMAETimeRMSEMAETimeRMSEMAE
    DT0.040.0840.0670.050.0670.0530.040.0670.056
    Linear0.060.0490.0380.080.0400.0310.060.0480.039
    SVM0.080.0640.0470.100.0800.0510.080.0660.053
    RF0.110.0600.0470.130.0500.0390.110.0540.044
    GBRT0.150.0540.0430.170.0520.0400.160.0550.043
    ET0.180.0800.0640.210.0730.0560.190.0780.064
    ARD0.190.0490.0380.220.0400.0310.200.0470.039
    Byesian0.210.0490.0370.240.0400.0310.220.0480.039
    TheilSen0.220.0520.0400.260.0420.0330.240.0490.040
    RANSAC0.240.0520.0400.270.0410.0310.250.0510.041
    LSTM82.680.0410.0322.460.0360.0282.760.0460.037
    LSTM122.600.0430.0342.620.0350.0262.650.0480.038
    下载: 导出CSV
  • [1] 雷绍兰,孙才新,周 湶. 电力短期负荷的多变量时间序列线性回归预测方法研究 [J]. 中国电机工程学报,2006(2):25-29. DOI: 10.3321/j.issn:0258-8013.2006.02.005
    [2] 刘 静,关 伟. 交通流预测方法综述 [J]. 公路交通科技,2004(3):82-85. DOI: 10.3969/j.issn.1002-0268.2004.03.022
    [3] 杨秀媛,肖 洋,陈树勇. 风电场风速和发电功率预测研究 [J]. 中国电机工程学报,2005(11):1-5. DOI: 10.3321/j.issn:0258-8013.2005.11.001
    [4]

    CHO K, VAN MERRIëNBOER B, GULCEHRE C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation [J]. arXiv preprint arXiv:, 1406, 1078: 2014.

    [5]

    WERBOS P J. Generalization of backpropagation with application to a recurrent gas market model [J]. Neural networks, 1988, 1(4): 339-356. DOI: 10.1016/0893-6080(88)90007-X

    [6]

    HOCHREITER S. Untersuchungen zu dynamischen neuronalen Netzen [J]. Diploma, Technische Universität München, 1991, 91(1).

    [7]

    HOCHREITER S, SCHMIDHUBER J. Long short-term memory [J]. Neural computation, 1997, 9(8): 1735-1780. DOI: 10.1162/neco.1997.9.8.1735

    [8]

    GERS F A, SCHMIDHUBER J. LSTM recurrent networks learn simple context-free and context-sensitive languages [J]. IEEE transactions on neural networks, 2001, 12(6): 1333-1340. DOI: 10.1109/72.963769

    [9]

    Srivastava N , Mansimov E , Salakhutdinov R . Unsupervised Learning of Video Representations using LSTMs[J]. JMLR. org, 2015.

    [10]

    HANSON J, YANG Y, PALIWAL K, et al. Improving protein disorder prediction by deep bidirectional long short-term memory recurrent neural networks [J]. Bioinformatics, 2017, 33(5): 685-692.

    [11]

    ECK D, LAPALME J. Learning musical structure directly from sequences of music [J]. University of Montreal, Department of Computer Science, 2008.

    [12]

    GREFF K, SRIVASTAVA R K, KOUTNíK J, et al. LSTM: A search space odyssey [J]. IEEE transactions on neural networks and learning systems, 2016, 28(10): 2222-2232.

  • 期刊类型引用(0)

    其他类型引用(1)

图(7)  /  表(3)
计量
  • 文章访问数:  181
  • HTML全文浏览量:  89
  • PDF下载量:  35
  • 被引次数: 1
出版历程
  • 收稿日期:  2021-10-24
  • 刊出日期:  2022-03-30

目录

/

返回文章
返回