一種智慧地鐵軌道狀態(tài)預(yù)測和維修決策優(yōu)化系統(tǒng)

李茂圣，王大彬

(1.云南南天電子信息產(chǎn)業(yè)股份有限公司，昆明 650000; 2.昆明地鐵運(yùn)營有限公司，昆明 650000)

0 引言

隨著人民生活水平提高和科技不斷發(fā)展，方便、環(huán)保的城市地鐵逐漸向網(wǎng)絡(luò)化運(yùn)營階段發(fā)展。地鐵軌道是列車安全運(yùn)行的基礎(chǔ)，需要在日常工作中保證連續(xù)平滑的軌道幾何形狀，否則會(huì)導(dǎo)致列車振蕩，不僅降低了乘客的舒適度，嚴(yán)重時(shí)甚至出現(xiàn)列車側(cè)翻等危險(xiǎn)[1-2]。所以，實(shí)時(shí)了解地鐵軌道狀態(tài)，掌握軌道狀態(tài)變化規(guī)律，這對于提高乘客的舒適度、保障地鐵列車的安全運(yùn)行具有重要意義。

考慮到地鐵的軌道狀態(tài)具有不確定性和異質(zhì)性，常規(guī)的檢測技術(shù)和量化標(biāo)準(zhǔn)很難對其進(jìn)行精準(zhǔn)描述，這就引出了許多急需解決的難題：如何實(shí)時(shí)精準(zhǔn)掌握地鐵軌道的運(yùn)行狀態(tài)，并且形成科學(xué)合理的維修決策方案，進(jìn)一步實(shí)現(xiàn)軌道狀態(tài)的安全預(yù)警等[3]。目前，類似于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)飛速發(fā)展，強(qiáng)化學(xué)習(xí)、集成學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)預(yù)測等技術(shù)也得到了越來越多的關(guān)注，這就為地鐵軌道狀態(tài)智能感知、全方面深入分析和軌道狀態(tài)發(fā)展規(guī)律提供了科學(xué)合理的方法和途徑[4-6]。

目前國內(nèi)外研究團(tuán)隊(duì)在構(gòu)建維修決策優(yōu)化模型時(shí)通常只針對軌道占用時(shí)間和質(zhì)量監(jiān)測，然而對于軌道異常狀態(tài)的維修決策主要以維修成本為主，所以在考慮軌道異常狀態(tài)時(shí)需將維修成本作為目標(biāo)函數(shù)。越來越多的人工智能技術(shù)和大數(shù)據(jù)分析技術(shù)被應(yīng)用到軌道的基礎(chǔ)設(shè)施建設(shè)和日常運(yùn)行維護(hù)中。然而，國內(nèi)外研究團(tuán)隊(duì)在制定或優(yōu)化地鐵軌道的異常狀態(tài)時(shí)存在較大的方法局限性，通常只是局限于固定的模型參數(shù)，比如，常規(guī)MDP方法的規(guī)劃周期內(nèi)采用固定不變的狀態(tài)轉(zhuǎn)移概率。該方法無法實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)，在軌道運(yùn)維狀態(tài)的智能感知和常規(guī)預(yù)測中很難捕捉軌道劣化機(jī)理，最終很難實(shí)現(xiàn)科學(xué)、規(guī)范和完善的維修決策和規(guī)劃。所以，通過深度挖掘、分析軌道運(yùn)行和維護(hù)的海量數(shù)據(jù)，利用機(jī)器學(xué)習(xí)形成個(gè)性化和具有較強(qiáng)針對性的模型來更準(zhǔn)確地預(yù)測軌道狀態(tài)，才能使得維修策略更具有針對性和科學(xué)性。

為提高地鐵軌道智能化管理水平，設(shè)計(jì)了樸素貝葉斯分類器、Logistic回歸分類器和支持向量機(jī)分類器，并構(gòu)建了基于Stacking集成的軌道狀態(tài)預(yù)測模型。進(jìn)一步，基于Stacking-SVM集成模型，引入自適應(yīng)學(xué)習(xí)的馬爾可夫決策過程(AL-MDP)構(gòu)建了軌道維修決策優(yōu)化模型。

1 基于Stacking集成學(xué)習(xí)的軌道狀態(tài)預(yù)測

分別構(gòu)建基于樸素貝葉斯、Logistic回歸以及支持向量機(jī)的單體學(xué)習(xí)器，并對其進(jìn)行兩兩組合構(gòu)建集成預(yù)測模型[7-8]。

1.1 單體學(xué)習(xí)器

1.1.1 樸素貝葉斯分類器(NBC)

定義A和B為隨機(jī)概率事件，A=A1∪A2∪…∪An，且Ai∩Aj=φ(i≠j)，則Ai引發(fā)B的概率：

定義類標(biāo)記y，其類先驗(yàn)概率為P(y)，某樣本Xi的類條件概率為P(Xi∣y)，對軌道全線劃分若干單元區(qū)間Ni，若已知其特征屬性值Xi=(xi1,xi2,…,xi18)，則預(yù)測下一時(shí)刻的軌道狀態(tài)等級y(y∈Y)的概率為：

1.1.2 Logistic回歸分類器(LRC)

考慮到軌道狀態(tài)預(yù)測為多分類問題，將其劃分為多個(gè)二分類問題的求解，訓(xùn)練多個(gè)二分類器并通過測試輸出最終預(yù)測結(jié)果，如圖1所示。共劃分4個(gè)軌道狀態(tài)類別C1,C2,C3,C4，定義任意類別Ci的數(shù)據(jù)樣本為正，其他三類為負(fù)且用來訓(xùn)練分類器，若測試中存在唯一預(yù)測為正的分類器，且其余3個(gè)分類器預(yù)測為負(fù)，則最終預(yù)測結(jié)果為正。

圖1 “一對其余”拆分示意圖(OvR)

若已知單元區(qū)間Ni的特征屬性值Xi=(xi1,xi2,…,xi18)，由于Logistic回歸函數(shù)只會(huì)輸出0或1，因此將所有二分類器均構(gòu)建為Logistic回歸分類器，則輸出Ni的正概率P(y=1∣Xi)和負(fù)概率P(y=0∣Xi)分別為：

P(y=0∣Xi)=1-P(y=1∣Xi)=

定義正概率和負(fù)概率比值為odds，則正負(fù)概率比odds表達(dá)式為：

1.1.3 支持向量機(jī)分類器(SVM)

考慮到支持向量機(jī)適用于二分類問題，因此同樣根據(jù)OvR策略構(gòu)建支持向量機(jī)分類器。在此定義任意樣本i的特征向量為Xi=(xi1,xi2,…,xi18)，并用Yi=0或1分別定義正例和反例標(biāo)簽；C代表樣本約束常數(shù)，若C有限，則部分樣本可以不滿足約束條件，若C無窮大，則任意樣本均滿足約束條件，任意樣本i不滿足約束條件的松弛變量為ξi，SVM表示為：

s.t.Yi(ωTxi+b)≥1-ξi,ξi≥0,i=1,2,…,n

1.2 軌道狀態(tài)集成預(yù)測模型

Stacking集成學(xué)習(xí)算法能夠?qū)误w學(xué)習(xí)器進(jìn)行訓(xùn)練并集成?；凇?.1單體學(xué)習(xí)器”的3種單體學(xué)習(xí)器，隨機(jī)選擇兩個(gè)構(gòu)建初級學(xué)習(xí)器，剩余一個(gè)為次級學(xué)習(xí)器，兩兩組合構(gòu)建3種基于Stacking集成的狀態(tài)預(yù)測模型[9-10]，如圖2所示。在此定義，以樸素貝葉斯分類器(NBC)為次級學(xué)習(xí)器的Stacking集成預(yù)測模型為“Stacking-NBC”，以Logistic回歸分類器(LRC)為次級學(xué)習(xí)器的Stacking集成預(yù)測模型為“Stacking-LRC”，以支持向量機(jī)分類器(SVM)為次級學(xué)習(xí)器的Stacking集成預(yù)測模型為“Stacking-SVM”。

圖2 3種基于Stacking集成的狀態(tài)預(yù)測模型

1.3 模型驗(yàn)證

1.3.1 樣本數(shù)據(jù)

收集XX地鐵1號線、2號線和6號線的設(shè)備數(shù)據(jù)、檢測數(shù)據(jù)和維修數(shù)據(jù)驗(yàn)證模型的有效性。共截取XX三條地鐵線路540個(gè)軌道單元區(qū)段，每個(gè)區(qū)段長度為200 m，同時(shí)收集2015-2021年總計(jì)174次檢測數(shù)據(jù)(其中包括23 050條TQI數(shù)據(jù))、8025條設(shè)備數(shù)據(jù)和7年間的維修數(shù)據(jù)。設(shè)備數(shù)據(jù)包括坡度、道床類型、鋼軌型號、曲線半徑、加減速區(qū)段和鋼軌接頭數(shù)量等11個(gè)特征信息xi1～xi11；維修數(shù)據(jù)決定了下次檢測時(shí)的維修活動(dòng)類型xi12～xi14；軌道質(zhì)量指數(shù)(TQI,track quality index)檢測數(shù)據(jù)、TQI管理值和TQI等級劃分標(biāo)準(zhǔn)共同決定某一單元區(qū)段在當(dāng)前時(shí)刻和下一時(shí)刻的地鐵軌道狀態(tài)等級xi15～xi18和標(biāo)記值yi。上述18項(xiàng)特征共同構(gòu)成任意單元區(qū)段Ni的特征向量Xi=(xi1,xi2,…,xi18)。數(shù)據(jù)預(yù)處理后共獲得22 128個(gè)數(shù)據(jù)樣本，訓(xùn)練集和測試集的劃分比例為3:1。表1為軌道TQI狀態(tài)等級劃分標(biāo)準(zhǔn)和樣本數(shù)量分布。

表1 等級劃分標(biāo)準(zhǔn)及樣本分布

1.3.2 模型的評價(jià)分析

對3個(gè)單體學(xué)習(xí)器和3個(gè)集成模型分別進(jìn)行評價(jià)分析，內(nèi)容包括精度(Accuracy)、F1值和AUC值，結(jié)果如圖3所示。精度(Accuracy)方面，地鐵軌道狀態(tài)的預(yù)測結(jié)果為：Stacking-SVM>Stacking-LRC>Stacking-NBC>LRC>SVM>NBC，Stacking-SVM的預(yù)測精度比單體學(xué)習(xí)器平均提高了13.6%。F1值方面，預(yù)測結(jié)果為：Stacking-SVM>Stacking-LRC>Stacking-NBC>SVM>LRC>NBC，Stacking-SVM的F1值比單體學(xué)習(xí)器平均提高了18.5%。AUC值方面，預(yù)測結(jié)果為：Stacking-SVM>Stacking-LRC>Stacking-NBC>SVM>LRC>NBC，Stacking-SVM的AUC值比單體學(xué)習(xí)器平均提高了13.9%。綜合來看，3個(gè)集成模型的狀態(tài)預(yù)測效果均優(yōu)于單體學(xué)習(xí)器，且以SVM為次級學(xué)習(xí)器的Stacking集成模型具有個(gè)性化和較高的準(zhǔn)確性，為智慧城市軌道提供管理和維修參考。

圖3 不同模型評價(jià)結(jié)果

2 基于AL-MDP的軌道維修決策優(yōu)化

2.1 馬爾可夫決策(MDP)

四元組定義馬爾可夫決策過程[11]：

狀態(tài)空間S：定義機(jī)器在空間中感知環(huán)境的所有狀態(tài)s構(gòu)成空間S，本文中為地鐵軌道狀態(tài)等級；

動(dòng)作空間A：定義機(jī)器所有應(yīng)對的動(dòng)作a構(gòu)成動(dòng)作空間A，在本文中為地鐵軌道維修活動(dòng)類型；

轉(zhuǎn)移概率P：定義當(dāng)前狀態(tài)s通過某個(gè)動(dòng)作a轉(zhuǎn)移到另一個(gè)狀態(tài)的概率矩陣P，在本文中為地鐵軌道狀態(tài)從當(dāng)前狀態(tài)等級到另一狀態(tài)的轉(zhuǎn)移概率；

轉(zhuǎn)移獎(jiǎng)勵(lì)R：定義系統(tǒng)在通過動(dòng)作a發(fā)生狀態(tài)轉(zhuǎn)移時(shí)依據(jù)獎(jiǎng)勵(lì)函數(shù)R(s,a)所獲得的獎(jiǎng)勵(lì)R，在本文中為采用維修活動(dòng)a對狀態(tài)s的地鐵軌道進(jìn)行維修時(shí)產(chǎn)生的費(fèi)用R(s,a)。

MDP的基本原理為：若機(jī)器處于狀態(tài)si∈S的系統(tǒng)中，對其采取維修活動(dòng)a，機(jī)器以轉(zhuǎn)移概率P由狀態(tài)si轉(zhuǎn)移至下一狀態(tài)si+1，并獲得獎(jiǎng)勵(lì)R(s,a)。機(jī)器通過學(xué)習(xí)若干個(gè)狀態(tài)轉(zhuǎn)移過程和轉(zhuǎn)移獎(jiǎng)勵(lì)，能夠自主判斷系統(tǒng)狀態(tài)并采取相應(yīng)的維修活動(dòng)類型以得出最優(yōu)決策策略，以獲得最多的總獎(jiǎng)勵(lì)[12]。

2.2 軌道維修決策優(yōu)化模型

2.2.1 決策變量

2.2.2 目標(biāo)函數(shù)

2.2.3 約束條件

定義軌道狀態(tài)為約束條件，下一決策時(shí)刻T+1時(shí)不能處于吸收態(tài)S，并設(shè)置S的剩余價(jià)值[13]為-∞：

2.2.4 自適應(yīng)學(xué)習(xí)機(jī)制

為了提高軌道狀態(tài)的智能感知和準(zhǔn)確預(yù)測，并且以此作為依據(jù)制定更加合理的維修優(yōu)化決策，首先要對軌道運(yùn)行和維護(hù)狀態(tài)進(jìn)行準(zhǔn)確預(yù)測。同時(shí)，為了使模型能夠針對海量檢測數(shù)據(jù)和歷史運(yùn)行數(shù)據(jù)進(jìn)行自適應(yīng)學(xué)習(xí)，深入挖掘軌道劣化機(jī)理，應(yīng)該基于合理準(zhǔn)確的預(yù)測結(jié)果進(jìn)行維修決策優(yōu)化。因此，本文結(jié)合“1.3模型預(yù)測結(jié)果”，以樸素貝葉斯分類器(NBC)和Logistic回歸分類器(LRC)作為雙單體初級學(xué)習(xí)器，以SVM分類器作為次級學(xué)習(xí)器，對三者集成并構(gòu)建Stacking-SVM模型，在模型引入了自適應(yīng)學(xué)習(xí)機(jī)制。

圖4 Stacking-SVM模型的自適應(yīng)學(xué)習(xí)過程

步驟5：計(jì)算軌道單元k在決策時(shí)刻τ的最優(yōu)維修決策：

步驟6：返回步驟3；

步驟7：判斷t是否等于T。若t=T，則算法結(jié)束；若t≠T，令t=t+1，進(jìn)入步驟1。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 最優(yōu)維修策略

隨機(jī)選取第43號軌道單元，采用上述方法對規(guī)劃周期內(nèi)30個(gè)決策時(shí)刻的狀態(tài)等級和最優(yōu)維修策略進(jìn)行分析，結(jié)果如圖5所示[18-19]。其中，狀態(tài)等級包括：C1、C2、C3和C4，維修策略包括：a0為不維修、a1為經(jīng)常維修和a2為綜合維修，初始決策時(shí)刻為t1，周期末決策時(shí)刻為t30。

狀態(tài)等級C1：時(shí)刻t1～t24，43號軌道單元的維修決策為a1，需采取經(jīng)常維修活動(dòng)；時(shí)刻t25～t31，維修決策為a2，需采取綜合維修活動(dòng)。狀態(tài)等級C2：時(shí)刻t1～t9、t14～t22，維修決策為a1，需采取經(jīng)常維修活動(dòng)；時(shí)刻t10～t13、t23～t30，維修決策為a2，需采取綜合維修活動(dòng)。狀態(tài)等級C3：時(shí)刻t1～t3、t7～t8、t13～t14、t18～t19，維修決策為a1，需采取經(jīng)常維修活動(dòng)；時(shí)刻t4～t6、t9～t12、t15～t17、t20～t30，維修決策為a2，需采取綜合維修活動(dòng)。狀態(tài)等級C4：所有時(shí)刻t1～t30，維修決策均為a2，需采取綜合維修活動(dòng)。

圖5 規(guī)劃周期內(nèi)最優(yōu)維修策略

3.2 AL-MDP與MDP優(yōu)化結(jié)果對比分析

由XX地鐵2015年至2021年的維修數(shù)據(jù)可知，XX地鐵1、2和6號線任意軌道單元的平均維修成本為2.25萬?；贛DP和AL-MDP對43號軌道單元完成500次MC模擬后的規(guī)劃周期總成本如圖6所示。分析圖6可知，規(guī)劃周期總成本方面，MDP模擬結(jié)果的最小值和最大值分別為1.450萬和2.573萬，AL-MDP模擬結(jié)果的最小值和最大值分別為1.291萬和1.678萬；MDP模擬結(jié)果的四分位數(shù)分別為2.144萬和1.858萬，AL-MDP模擬結(jié)果的四分位數(shù)分別為1.946萬和1.678萬；MDP模擬結(jié)果的平均數(shù)和中位數(shù)分別為2.001萬和1.996萬，AL-MDP模擬結(jié)果的平均數(shù)和中位數(shù)分別為1.803萬和1.789萬。MDP和AL-MDP的平均規(guī)劃周期總成本(2.001萬、1.803萬)均小于實(shí)際成本2.25萬，這表明加入馬爾可夫決策過程的兩個(gè)模型均可降低維修成本，但AL-MDP在各項(xiàng)參數(shù)上均優(yōu)于MDP，獲得最優(yōu)維修策略和最優(yōu)規(guī)劃周期總成本。

圖6 規(guī)劃周期總成本箱型圖

與MDP模型相比，AL-MDP模型在Stacking-SVM集成模型的基礎(chǔ)上加入了自適應(yīng)學(xué)習(xí)機(jī)制，能夠根據(jù)當(dāng)前預(yù)測結(jié)果不斷更新下一時(shí)刻的預(yù)測過程，進(jìn)一步降低地鐵軌道的維修成本。同時(shí)，AL-MDP能夠?qū)崟r(shí)掌握地鐵軌道的運(yùn)作狀態(tài)，給管理者和工作者提供精細(xì)化、個(gè)性化、更科學(xué)的維修優(yōu)化決策，對維修成本和軌道安全實(shí)現(xiàn)雙重精準(zhǔn)控制。

4 智慧地鐵軌道管理系統(tǒng)設(shè)計(jì)

4.1 系統(tǒng)總體設(shè)計(jì)

本文所設(shè)計(jì)的“智慧地鐵軌道管理系統(tǒng)”共包括8個(gè)主要功能模塊，其中：軌道數(shù)據(jù)管理、狀態(tài)監(jiān)測管理、檢查分析管理、生產(chǎn)運(yùn)維管理、系統(tǒng)安全管理、設(shè)備綜合管理、決策輔助管理以及系統(tǒng)綜合管理，如圖7所示。不同模塊的功能存在相互關(guān)聯(lián)，比如狀態(tài)監(jiān)測管理和檢查分析管理協(xié)同包含病毒檢測、健康評估、壽命分析、任務(wù)編制和多設(shè)備一體化等不同的子功能[21]。

圖7 系統(tǒng)總體設(shè)計(jì)圖

4.2 系統(tǒng)功能結(jié)構(gòu)設(shè)計(jì)

基于上述系統(tǒng)的總體設(shè)計(jì)框架，本文融合利用“基于自適應(yīng)學(xué)習(xí)的Shaping-SVM模型”，實(shí)現(xiàn)了兩大主體功能——“軌道狀態(tài)預(yù)測”和“軌道狀態(tài)維修決策優(yōu)化”。在地鐵軌道預(yù)測中需要實(shí)現(xiàn)對軌道狀態(tài)等級、分布、變化趨勢和短期內(nèi)的工作狀態(tài)預(yù)測等功能，在軌道狀態(tài)維修決策優(yōu)化中需要制定地鐵軌道的維修優(yōu)化決策、預(yù)測規(guī)劃周期內(nèi)的狀態(tài)變化趨勢，并對未來某時(shí)刻的軌道狀態(tài)進(jìn)行安全預(yù)警[22]。系統(tǒng)的功能設(shè)計(jì)如圖8所示。

圖8 系統(tǒng)功能結(jié)構(gòu)圖

4.3 系統(tǒng)功能實(shí)現(xiàn)

4.3.1 評定軌道狀態(tài)等級

基于XX地鐵的狀態(tài)等級分布標(biāo)準(zhǔn)，本文以200 m為一個(gè)軌道單元，按照狀態(tài)等級完成對軌道路線的所有單元的評定，通過實(shí)時(shí)數(shù)據(jù)掌握當(dāng)前軌道運(yùn)行狀態(tài)，并對未來某時(shí)刻的軌道狀態(tài)進(jìn)行預(yù)測。該功能可對XX地鐵任意線路的所有單元進(jìn)行狀態(tài)等級評定，使管理者實(shí)時(shí)掌握軌道單元狀態(tài)等級，內(nèi)容包括軌道單元序號、里程點(diǎn)、TQI值及狀態(tài)，如圖9所示。

圖9 軌道狀態(tài)等級評定

4.3.2 制定維修決策

為智能感知地鐵軌道異常狀態(tài)和精準(zhǔn)捕捉劣化規(guī)律，進(jìn)一步對軌道異常狀態(tài)提供更合理、更科學(xué)的維修優(yōu)化決策，結(jié)合所有單元的軌道狀態(tài)數(shù)據(jù)和海量歷史檢測數(shù)據(jù)，本文采用第1章節(jié)和第2章節(jié)的模型，對規(guī)劃周期內(nèi)的任意單元狀態(tài)進(jìn)行預(yù)測并制定優(yōu)化后的軌道維修決策策略。管理用戶可得到指定規(guī)劃周期的一條線路所有軌道單元的蒙特卡洛模擬下的規(guī)劃周期總成本，如圖10所示。可通過MC模擬出任意軌道單元在決策周期內(nèi)的維修決策優(yōu)化結(jié)果，經(jīng)常維修C1和C2的軌道單元，綜合維修C3和C4的軌道單元。分析圖10可知，指定初始決策時(shí)刻為2020年5月，通過基于AL-MDP的軌道維修決策優(yōu)化模型對所有軌道單元進(jìn)行蒙特卡洛模擬。已知實(shí)際成本為2.25萬元，蒙特卡洛模擬所得全線軌道的規(guī)劃周期內(nèi)總成本為280.75萬元，經(jīng)過AL-MDP的優(yōu)化模型后，任意軌道單元的平均規(guī)劃成本為1.81萬元。

圖10 制定維修決策

4.3.3 預(yù)警軌道安全狀態(tài)

基于前文地鐵軌道在規(guī)劃周期內(nèi)的狀態(tài)變化趨勢預(yù)測功能，通過指定某一決策時(shí)刻，對未來某一時(shí)刻的地鐵軌道單元狀態(tài)進(jìn)行狀態(tài)檢測。通過歷史數(shù)據(jù)的狀態(tài)變化趨勢，結(jié)合目前軌道單元的運(yùn)行狀態(tài)提出安全預(yù)警，保證地鐵管理人員和維修人員能夠及時(shí)掌握軌道運(yùn)行狀態(tài)，并且為未來可能存在或即將出現(xiàn)的危險(xiǎn)狀態(tài)提供運(yùn)維保證和決策參考。管理用戶可得到查詢條件下的軌道單元狀態(tài)安全預(yù)警表。在該系統(tǒng)中可獲得任意軌道單元在2個(gè)月后的MC模擬結(jié)果，如圖11所示。地鐵軌道工作者或管理者能夠根據(jù)預(yù)警信息對軌道單元的未來狀態(tài)進(jìn)行等級評定和狀態(tài)預(yù)警，給管理者制定維修措施提供決策參考。

圖11 軌道狀態(tài)安全預(yù)警

5 結(jié)束語

設(shè)計(jì)了樸素貝葉斯分類器、Logistic回歸分類器和支持向量機(jī)分類器，并構(gòu)建了基于Stacking集成的軌道狀態(tài)預(yù)測模型。綜合來看，以SVM為次級學(xué)習(xí)器的Stacking集成模型具有個(gè)性化和較高的準(zhǔn)確性，為智慧城市軌道提供管理和維修參考。

基于Stacking-SVM集成模型，引入自適應(yīng)學(xué)習(xí)的馬爾可夫決策過程(AL-MDP)構(gòu)建了軌道維修決策優(yōu)化模型。AL-MDP能夠進(jìn)一步降低地鐵軌道的維修成本，實(shí)時(shí)掌握地鐵軌道的運(yùn)作狀態(tài)，給管理者和工作者提供精細(xì)化、個(gè)性化、更科學(xué)的維修優(yōu)化決策，對維修成本和軌道安全實(shí)現(xiàn)雙重精準(zhǔn)控制。