Применение LSTM-моделей в задачах моделирования и прогнозирования геометрии рельсовой колеи

Авторы

  • Валерия Олеговна Шарова Научно-исследовательский институт железнодорожного транспорта (ВНИИЖТ)

Ключевые слова:

железнодорожный путь, моделирование, нейронные сети, геометрия рельсовой колеи, неровности пути, LSTM-модель

Аннотация

В статье описаны актуальные задачи, связанные с диагностикой и безопасностью движения на железнодорожном транспорте, в особенности на железнодорожном пути. Они касаются ускоренных темпов цифровизации железнодорожного транспорта, а также роста экономики и множественных предпосылок представления дополнительных методов оценки состояния пути для принятия более эффективных управленческих решений. Приведены краткие обзоры различных вариантов моделирования в качестве дополнительных методов для решения поставленных задач. Показаны перспективные методы использования нейронных сетей, рассмотрены классы задач, в которых могут быть задействованы нейронные сети, обозначена проблема их применения, а именно отсутствие методологической базы, стандартизирующей работу с нейронными сетями. Отмечено главное условие для использования нейронных сетей – достоверная обучающая выборка. Для примера применения нейронной сети в задаче моделирования геометрии рельсовой колеи выбрана LSTM-модель, описана архитектура данной модели. Смоделированы фактические вертикальные неровности на выбранном участке железнодорожного пути, рассчитаны среднеквадратичные ошибки моделирования. Подчеркнуты целесообразность и высокое качество моделирования с помощью LSTM-модели, а также рост значения среднеквадратичной ошибки с увеличением шагов для прогнозирования, что может быть обусловлено недостатком данных для обучающей выборки. В последующих исследованиях планируется сократить количество ошибок и повысить точность модели, а также попробовать в действии другие нейронные сети различной архитектуры для решения аналогичной задачи с последующим сравнением с LSTM-моделью.

Биография автора

Валерия Олеговна Шарова, Научно-исследовательский институт железнодорожного транспорта (ВНИИЖТ)

Ведущий инженер отдела проблем эксплуатации и предиктивной аналитики путевой инфраструктуры (пути), Научный центр «Инфраструктура»

Библиографические ссылки

Спектральный состав неровностей пути и напряженно-деформированное состояние его элементов / А.Я. Коган, М.А. Левинзон, С.В. Малинский и др. // Вестник ВНИИЖТ. 1991. № 1. С. 39–43.

Сивицкий Д.А. Анализ опыта перспектив применения искусственных нейронных сетей на железнодорожном транспорте // Вестн. Сибир. гос. ун-та путей сообщ. 2021. № 2 (57). С. 33–41.

Каменский Д.А. Применение моделей векторной авторегрессии при прогнозировании в финансах и экономике // Фундаментальные исследования. 2019. № 5. С. 45–49.

Vector Autoregression (VAR) for Multivariate Time Series // geeksforgeeks : site. URL : https://translated.turbopages.org/proxy_u/en-ru.ru.90520b89-66978ac7-0d872144-74722d776562/https/www.geeksforgeeks.org/vector-autoregression-var-for-multivariate-time-series/ (Accessed March 25, 2024).

Хайкин С. Нейронные сети : полный курс. М. : Вильямс, 2006. 1104 с.

Пилецкая А.В. Искусственная нейронная сеть и ее применение при диагностике железнодорожных путей // Молодой ученый. 2020. № 20 (310). С. 48–50.

Deep convolutional neural networks for detection of rail surface defects / S. Faghih-Roohi, S. Hajizadeh, A. Núñez et al. // Inter-national joint conference on neural networks (IJCNN). Vancouver, 2016. P. 2584–2589. DOI: 10.1109/IJCNN.2016.7727522.

Денисенко М.А., Исаева А.С., Коц И.Н. Тестирование прототипа системы мониторинга состояния рельсового пути с ис-пользованием LSTM рекуррентных нейронных сетей // Науч.-техн. ведомости Санкт-Петербург. гос. политехн. ун-та. Физико-математ. науки. 2022. Т. 15. № S3.2. С. 51–55.

Сорокин Д.В., Кравец А.С. Теоретические предпосылки использования нейронных сетей для решения эксплуатационных задач на железнодорожном транспорте // Транспорт: наука, образование, производство : сб. науч. тр. Ростов н/Д, 2019. Т. 1. С. 214–218.

Незевак В.Л. Совершенствование модели влияния параметров графика движения поездов на тяговое электропотребление на участках постоянного и переменного тока c I и II типом профиля пути при помощи регрессионных моделей и нейронных сетей // Вестник транспорта Поволжья. 2017. № 6 (66). С. 34–44.

Анализ результатов работы и оценка эффективности гибридной модели идентификации подвижных единиц железнодорожного транспорта / Д.С. Гвоздев, М.Д. Линденбаум, В.В. Храмов и др. // Вестн. Ростов. гос. ун-та путей сообщ. 2013. № 4 (52). С. 47–54.

Railway passenger traffic volume prediction based on neural network / W. Zhuo, J. Li-Min, Q. Yong et al. // Applied Artificial Intelligence. 2007. Vol. 21. Iss. 1. P. 1–10. DOI: https://doi.org/10.1080/08839510600938409.

Railway freight volume forecasting of neural network based on economic cycles / Y.-H. Guo, Z.-Y. Chen, F.-L. Feng et al. // Tiedao Xuebao. 2010. Vol. 32, Iss. 5. P. 1–6.

Рекуррентная нейронная сеть (RNN): виды, обучение, примеры // Neurohive : сайт. URL: https://neurohive.io/ru/osnovy-data-science/rekurrentnye-nejronnye-seti/ (Дата обращения 14.03.2024).

Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9. Iss. 8. P. 1735–1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735.

Ahmed M. Predicting track geometry using machine-learning methods : мaster’s theses. Newark, 2023. 134 p.

ADF тест для анализа временных рядов // Русские Блоги : сайт. URL : https://russianblogs.com/article/4449640394/ (Дата обращения 30.03.2024).

Решение проблем с последовательностью с помощью LSTM в Keras // Rukovodstvo : сайт. URL : https://rukovodstvo.net/posts/id_976/ (Дата обращения 05.04.2024).

Опубликован

2024-08-05

Как цитировать

Шарова, В. О. (2024). Применение LSTM-моделей в задачах моделирования и прогнозирования геометрии рельсовой колеи. Современные технологии. Системный анализ. Моделирование, (2(82), 89-97. извлечено от http://ojs.irgups.ru/index.php/stsam/article/view/1612