文献综述: 国内研究现状 我国铁路历来重视对轨道的检查和监测,并有完整的检查制度和严格检查标准。轨道检测基本分为静态检测和动态检测两大类静态检测主要是复测及限界检查、轨道静态检查、钢轨检查、春秋季检查和量具检查:动态检测则是以轨道检查车为主,并辅助车载添乘仪、便携添乘仪。就高速铁路而言,养修模式不同于既有普速线路,更注重行车舒适性,因而对动态检测各项数据更需要精细分析、综合评价叫通过动态检测数据科学分析,实现对病害地点精确定位,成因准确分析,再结合静态区段重点复查,制定病害整治方案,做到线路设备精确修养。 存在问题 主要是对数据的分布做出假设,并找出假设下所定义的异常,因此往往会使用极值析或者假设检验。比如对最简的一维数据假设高斯分布,然后将距离均值特定范围以外的数据当做异常点。而推广到高维后,可以假设每个维度各自独立,并将各个维度上的异常度相加,如果考虑特征问的相关性,也可以用马氏距离(mahalanobis distance)来衡量数据的异常度.不难看出,这类方法最大的好处就是速度一般比较快,但因为存在比较强“假设”,效果不一定很好 意义和应用价值 时间序列是利用统计学的基本原理,通过对数据的采集选用模型以近似估计,利用模型分析揭示数据的内在特性,达到推测发展趋势规律的目的,自回归差分移动平均模型(ARIMA)是常用的时间序列之一,而组合预测型作为一种相对新颖的模型。通过组合多个模型的预测结果,以提高预测精值的确度,具备其中每个模型的优点。在预测方法中, ARIMA模型在统计学界的贡献相当大,被广泛应于众多领域。兰州商学院的刘明将ARMA模型用在经济时间序列上,对在建模过程中需要注意的多个问题进行了整理和分析,表明 ARIMA用模型在经济、商业预测中占有重要地位 研究方案: 研究方案 (1)运用数学统计学原理,对动态检测数据进行数据挖掘,开展大数据量的综合信息分析和管理研究 (2)在单元分级管理的基础上,分析各种动态检测数据规律,设计高速铁路综合评价体系,确定参与评价的指标及指标的权重匹配,建立综合评价数学模型 (3)基于京广高铁广段和沪线合武段开通以来各种检测数据,实例验证综合评价体系在无轨道和有轨道工务维护中的使用效果,根据现场验证反馈情况,总结综合评价体系的科学性和合理性 研究方法 根据目前各种动态检测数据的分析应用此独立、不能全面评价线路设备质量的现状,需开展轨道动态检测数据分析应用研究工作,科学准确地评价线路状态,提供辅助决策依据,以实际应用为导向,开展轨道检测数据挖掘,分析应用各种动态检测数据,探索可行的高速铁路综合评价体系 研究步骤 预期成果 (1)搭建数据集 (4)撰写一篇毕业论文
|
|||
主要参考文献: 填写说明:指从开题到撰写文献综述期间所阅读过的所有文献资料的列表,要按照参考文献的标准写法列出,即写明作者、论文题目(书名)、杂志名称(出版社)、发表(出版)时间等(页面大小可以根据字数多少调整)。 匡文波,中国微信发展的量化研 ]国际新闻界201,405:147-156]中国互联网络信息中心.,《第39次中国互联网发展报告》CNNIC,R 办2017 Breunig. M.M, Kriegel, H.P. Ng, R.T. and Sander, J.. 2000, May. LOF: identifying density-based local outfiers. In ACM SIGMOD Liu. F.T. Ting, K.M. and Zhou, Z.H., 2008, December. Isolation forest. In ICDM ’08. pp. 413-422. IEEE Ma, J. and Perkins, S., 2003, July. Time-series novelty detection using one-class support vector 中国铁道科学研究院 中国铁路大提速 北京:中国铁道出版社 王其昌 高速铁路土木工程
|
|||
序号 |
时间安排 |
||
1 |
|
||
2 |
研究案例 |
|
|
3 |
|
||
4 |
实现与开发 |
|
|
5 |
评价及修改 |
|
|
6 |
撰写论文 |
|
|
7 |
准备答辩 |
|
|
指导教师意见: 填写说明:查阅资料是否全面,提出的研究方案和计划进度是否可行,还有什么需要注意和改进的方面,是否同意按学生提出的计划进行等。 |
后续工作
一、引言
随着高速铁路的快速发展,保障其安全运行成为了一个重要的问题。动检车作为高速铁路的检测工具,能够获取大量的动检数据。对这些数据进行异常检测,及时发现异常情况,对于保障高速铁路的安全运行具有重要意义。本文旨在研究基于机器学习的动检数据异常检测算法,并实现一个高效、准确的异常检测系统。
二、系统需求分析
本系统需要满足以下需求:
- 能够处理大规模的动检数据,并进行实时异常检测。
- 能够识别出多种类型的异常,包括设备故障、天气突变等。
- 异常检测的准确率要高,避免漏报和误报。
- 系统具有可扩展性,能够适应未来数据量的增长。
- 系统易于使用和维护,具有友好的用户界面。
三、系统设计
本系统采用Python语言进行开发,利用机器学习算法对动检数据进行异常检测。系统主要包括以下几个模块:
- 数据预处理模块:对原始动检数据进行清洗、去噪和特征提取,得到可用于异常检测的数据。
- 特征选择模块:根据已有的知识和算法,选择合适的特征用于异常检测。
- 异常检测模块:采用机器学习算法对数据进行异常检测,及时发现异常情况。
- 结果展示模块:将异常检测结果以友好的方式展示给用户,便于用户及时发现和处理问题。
- 系统管理模块:对系统进行设置和维护,如数据备份、用户管理等。
四、系统实现
本系统的实现主要包括以下几个步骤:
- 数据预处理:对原始动检数据进行清洗、去噪和特征提取,得到可用于异常检测的数据。采用Python中的pandas和numpy库进行处理。
- 特征选择:根据已有的知识和算法,选择合适的特征用于异常检测。采用Python中的sklearn库进行特征选择。
- 异常检测:采用机器学习算法对数据进行异常检测。本文采用支持向量机(SVM)、决策树(Decision Tree)和神经网络(Neural Network)等算法进行异常检测。使用Python中的scikit-learn和Keras库实现。
- 结果展示:将异常检测结果以友好的方式展示给用户。采用Python中的matplotlib和seaborn库进行数据可视化。
- 系统管理:对系统进行设置和维护,如数据备份、用户管理等。采用Python中的sqlite3库进行数据存储和管理。
五、系统评估与优化
在系统实现后,需要对系统进行评估和优化,以确保系统的性能和准确性。采用以下方法进行评估和优化:
- 准确率评估:采用准确率指标对系统的异常检测结果进行评估,确保系统的误报率和漏报率较低。使用Python中的accuracy_score函数进行评估。
- 性能优化:对系统的性能进行优化,确保系统能够处理大规模的动检数据,并保证实时性要求。采用分布式计算、数据压缩等方法进行优化。
- 参数调优:对机器学习算法的参数进行调优,以获得更好的异常检测效果。采用网格搜索、随机搜索等方法进行参数调优。
- 模型选择与改进:根据实际需求和数据特点,选择合适的机器学习算法进行异常检测。同时,结合深度学习等方法对模型进行改进和优化,提高异常检测的准确性。使用Python中的 Keras库实现深度学习模型。
- 可维护性提升:加强系统的可维护性,包括代码清晰度、模块化设计等方面,方便日后进行功能扩展和维护。采用Python的面向对象编程思想和方法进行设计。
原文地址:https://blog.csdn.net/weixin_53728332/article/details/134587691
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.7code.cn/show_4295.html
如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除!