焦雄风 张献州 蒋英豪 陈 铮 谭社会

(1.西南交通大学地球科学与环境工程学院,成都 611756; 2.高速铁路运营安全空间信息技术国家地方联合工程实验室,成都 611756; 3.中国铁路上海局集团有限公司,上海 200071)

1 概述

影响高速铁路路基沉降的因素较多,建立各影响因素与形变过程之间精确的函数模型十分关键。已有许多学者开展相关研究,毛文飞等研究了改进的MEEMD-ARMA残差修正组合预测模型[1];岳春芳等将RBF神经网络组合模型应用于GPS高程拟合中[2];杨帆等研究自回归预测模型变权组合定阶方法[3]。上述研究表明,组合预测模型不论是从信息丰度还是预测效果方面都优于单类预测模型。然而,在每一次预测计算时,需要根据往期先验信息重新调权,会造成大量计算冗余。近年来,自适应Kalman滤波理论趋于成熟,冯磊等研究自适应Kalman滤波在高铁沉降观测数据处理中的应用[4];Christopher等将自适应Kalman滤波应用于INS/GPS的组合导航中[5];Akbar等基于协方差采样提出一种自适应卡尔曼滤波模型,并验证了该方法的有效性[6]。基于前人的研究,采用基于极大似然估计的自适应Kalman滤波算法与组合预测模型进行结合,与目前较为实用的预测模型进行比较,从拟合情况、精度评判指标等方面,探究上述自适应kalman滤波组合预测模型的可靠性。

2 单类因素预测模型构建

2.1 单类因素预测模型容量选择

研究表明,并不是囊括越多单类因素预测模型,其组合预测模型的精度就越好[7]。相反,如果构建的单类预测模型精度不高,甚至与其他单类预测模型发生信息冲突,还会降低组合预测模型的精度。……