基于协同增强去噪技术和双向门控循环单元（Bidirectional Gated Recurrent Unit, BGRU）结合蒙特卡洛dropout（Monte Carlo Dropout, MC Dropout）模型的铁路路基沉降间隔预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Railway subgrade settlement interval prediction based on collaborative enhancement denoising and bidirectional gated recurrent unit with Monte Carlo Dropout model

铁路路基沉降预测中，传统点预测方法难以量化不确定性及多因素耦合影响。本研究提出基于Collaborative Enhancement Denoising（CED）和双向门控循环单元-蒙特卡洛滴出（BiGRU-MC）的区间预测模型，通过VMD-WPT协同去噪增强数据质量，利用MC Dropout量化预测不确定性，实验表明该方法在多置信区间下预测精度和稳定性均优于传统机器学习与深度学习模型。

　　

赵世林|陈光武|李鹏|邢玉娟|徐成军

兰州文理学院数字媒体学院，中国甘肃省兰州市，730010

摘要

铁路路基沉降是影响列车安全和铁路运营稳定性的关键因素。对其预测对于智能维护和安全管理至关重要。传统的预测方法主要侧重于点预测，未能充分考虑沉降变化的多因素影响和不确定性，导致预测准确性和适用性较低。本研究提出了一种基于协同增强去噪（CED）和双向门控循环单元结合蒙特卡洛dropout（BiGRU-MC）模型的铁路路基沉降区间预测方法，以提高预测的可靠性和安全性。为了解决环境因素对监测数据的影响，引入了CED算法来去除噪声并扩展数据变量，构建了多维数据集。通过将蒙特卡洛dropout（MC dropout）融入门控循环单元（BiGRU）网络，评估了预测结果的不确定性，从而实现了基于BiGRU-MC的区间预测。实验结果表明，所提出的方法在各种置信区间内均优于传统的机器学习和深度学习算法，具有更出色的预测稳定性和实用性。CED与BiGRU-MC模型的结合为铁路路基沉降的区间预测提供了可靠的解决方案，并为铁路基础设施的智能维护和安全管理提供了新的见解和方法。

引言

铁路路基沉降是影响铁路系统安全性和可靠性以及运营效率的关键因素。随着全球气候变化影响的加剧和极端天气事件频率的增加，沉降问题变得更加复杂和紧迫[1]，[2]。路基沉降可能导致轨道变形、基础设施退化，在严重情况下甚至引发灾难性安全事故，对列车的持续安全运行和铁路基础设施的长期稳定性构成重大风险。因此，准确预测路基沉降动态对于提高铁路安全、确保系统可靠性以及降低运营和维护成本至关重要[3]，[4]，[5]。

经过数十年的发展，路基沉降预测模型大致可以分为基于物理的、统计的和数据驱动的方法。基于物理的模型（例如有限元分析，FEA）从力学角度描述土壤-结构相互作用，并提供高保真的沉降模拟和预测；然而，它们严重依赖于地质参数和边界条件等先验信息，并且建模和计算成本较高，这限制了它们在大规模场景和实时应用中的适用性[6]，[7]，[8]。相比之下，统计模型可以在简化假设下快速构建并实现合理的性能，但它们对线性或弱非线性假设的依赖性使得难以捕捉沉降过程中的非线性、非平稳性和多因素耦合[9]，[10]。数据驱动的方法包括传统的机器学习和深度学习。传统的机器学习方法可以从数据中自动学习输入-输出映射，适用于样本量较小且特征集相对简单的情况[11]，[12]，[13]。然而，当面对高维、强耦合和分布复杂的数据时，它们常常遇到性能瓶颈；此外，类别不平衡可能会影响预测的稳定性和准确性[14]，[15]。与传统方法相比，深度学习在提取复杂模式和时间依赖性方面更为擅长：卷积神经网络（CNN）能有效捕捉空间或局部模式，而长短期记忆（LSTM）网络则适用于建模长期时间依赖性和动态演变[16]，[17]，[18]。尽管如此，深度学习也面临挑战：有效训练通常需要大型、标注良好的数据集；模型对超参数调整敏感；在数据稀缺或噪声较强的情况下，它们容易过拟合，从而降低泛化和可靠性[19]，[20]。

尽管在铁路路基沉降预测的传统方法和数据驱动方法方面取得了显著进展，但大多数方法仍然依赖于点预测。点估计无法量化预测不确定性，因此无法充分反映复杂现场运行条件下出现的多因素相互作用和耦合效应。因此，在工程应用中，能够明确表示不确定性的区间预测具有更大的实际价值。Lim等人[21]提出了时间融合变换器（TFT），该模型同时整合了静态协变量、已知的未来输入和仅基于过去的外生序列，以实现高性能的多时段预测，并通过分位数回归产生可解释的区间预测。随后，Rocchetta等人[22]对LED寿命的区间预测进行了不确定性分析，提出了一种有效量化和预测LED寿命变异性的新方法，从而为电子元件的可靠性预测提供了新的见解。Wang和Hu[23]引入了一种新颖的区间贝叶斯惩罚网络方法，用于预测砾石土的地震液化，考虑了参数置信度和模型缺陷的不确定性。Han等人[24]提出了一种基于证据神经网络的可靠区间预测方法，用于复杂工程问题，实现了更高的可靠性和预测准确性。与此同时，基于蒙特卡洛的不确定性量化技术也取得了快速进展：例如，Nguyen-Sy T[25]优化了混合XGBoost-CatBoost模型，使用蒙特卡洛模拟来增强混凝土强度和可靠性分析；Lika等人[26]探讨了确定性模型参数的置信区间与估计量分布之间的关系；Yu等人[27]引入了一种多特征融合的生成神经网络与高斯混合模型，用于多步概率风速预测，在不确定性建模和预测方面表现出强大的性能。

受这些研究的启发，本研究提出了一种协同增强去噪（CED）方案，该方案利用变分模态分解（VMD）和小波包变换（WPT）对原始监测数据进行预处理，然后使用带有蒙特卡洛dropout（BiGRU-MC）的BiGRU模型生成预测区间。本研究的主要贡献如下：

•

提出了一种协同增强去噪（CED）方案，用于抑制环境噪声并提高数据的质量和数量。在此基础上，扩展了数据维度，构建了多维数据集，从而实现更准确的沉降预测。

•

通过将BiGRU模型与蒙特卡洛不确定性量化相结合，该方法直接生成沉降预测区间，克服了传统点预测在特征提取和不确定性量化方面的局限性。

•

结合CED和BiGRU-MC的模型在多个置信水平上的区间覆盖率和紧凑性方面优于传统方法，确保了预测的稳定性和可靠性。

•

所提出的方法能够有效预测未来变形，量化变形过程中的不确定性，并为智能铁路路基维护、阈值校准、检查调度等任务提供决策支持。

总之，CED + BiGRU-MC方法有效解决了铁路路基沉降预测中的挑战，如多维干扰和数据有限等问题。它提高了预测的准确性和效率，为智能铁路基础设施预测和安全管理提供了可靠的解决方案，支持了系统的长期稳定性和安全性。

部分摘录

协同增强去噪（CED）

本节介绍了一种基于VMD-WPT框架的协同增强去噪（CED）方法，旨在抑制噪声并提高路基变形数据中的特征质量。首先，变分模态分解（VMD）自适应地将原始信号分解为表示不同频率成分的固有模态函数（IMFs）。受噪声主导的IMFs进一步使用小波包变换（WPT）进行去噪，以去除高频干扰。

基于BiGRU-MC Dropout模型的铁路路基沉降区间预测

准确预测铁路路基沉降对于确保铁路线路的安全和长期稳定性至关重要。沉降过程受到地质条件、气候变化和施工质量等多种因素的影响，这使得沉降预测具有高度不确定性。因此，传统的预测方法可能无法完全捕捉沉降过程中的不确定性。为了解决这个问题，本文提出了一种基于

数据集和评估指标

研究区域位于中国兰新高速铁路乌鲁木齐-石河子段玛纳斯县乐土驿火车站附近的5公里范围内，如图5所示。该地区属于温带大陆性干旱气候区，冬季寒冷，夏季酷热，降水稀少且集中。该地区以季节性冻土为主，土壤主要具有吸水性，

结论

本研究提出了一种基于协同增强去噪（CED）和BiGRU-MC模型的铁路路基沉降区间预测方法，旨在克服传统点预测方法的局限性，提供更准确的区间预测。本研究的主要贡献如下：首先，引入了CED算法来去除环境因素的干扰，提高数据质量，并构建多维数据集以更好地

未引用的引用

缺少引用表2

CRediT作者贡献声明

赵世林：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，方法论，调查，形式分析，数据管理，概念化。陈光武：资源。李鹏：软件。邢玉娟：可视化，验证。徐成军：方法论。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。