在阅读此文之前，麻烦您点击一下“关注”，既方便您进行讨论和分享，又能给您带来不一样的参与感，感谢您的支持。

文 | 晓池扶玥

编辑 | 晓池扶玥

首先讨论了最佳轨道维护调度模型与高效异常轨道不规则性检测方法（通过纵向水平不规则性位移LLID给出）之间的关系。将聚类分析技术应用于采样数据的结果显示，约10%的总批次需要维护操作，并且这些批次根据维护需求程度被进一步分为三组。

为了分析检测异常LLID批次的背景因素，进行了主成分分析；结果显示，第一主成分代表了从轨道结构、设备和运行条件等角度来看的LLID。使用二项式和有序逻辑回归模型（LRMs）来定量研究异常LLID的决定因素。二项式LRM用于描述异常LLID，而有序LRM用于区分被认为对LLID有显著影响的因素的影响程度。

讨论了日本铁路业在1987年中曾根内阁的决定下进行的私有化。目前，日本的铁路业务主要由两个主要集团主导：日本铁路（JR）包括总部位于北海道、东日本、中日本、西日本、四国和九州的六家公司，以及由大约90家私营公用事业经营的私营铁路公司。

截至2020财年，JR和私营集团的旅客运输量分别为6,707万人次和10,963万人次，旅客运输的旅客公里数（乘客数量与乘坐距离的乘积之和）分别为152,084亿人公里和111,127亿人公里 。由于COVID-19疫情的爆发，铁路的旅客运输量自2018年达到峰值以来一直呈下降趋势，并在最近显著下降。

根据数据JR集团负责日本约38%的旅客总数和58%的总乘客公里数。基于这些发现，可以预期铁路在未来仍将是日本最重要、不可或缺的公共交通系统，考虑到国家规模和当前的人口地理分布。铁路系统在世界经济和人员运输方面发挥着重要作用。

铁路业务面临着严峻的竞争，原因是出生率下降、人口老龄化、劳动人口减少以及COVID-19疫情导致的乘客数量减少，这导致日本大多数铁路业务收入下降。尤其是预计到2040年，JR集团的铁路业务收入将较2019年减少20% 。通过提高效率来改善业务状况成为一个重要问题。

保障铁路安全，确保交通安全和提高交通网络可靠性是防止铁路事故的必要措施。与其他交通方式相比，铁路在可靠性、运行速度和安全性方面优势明显。在安全性方面，每小时每乘客公里的意外死亡概率为1.5×10^(-11)，约为飞机的1/7和汽车的1/450。汽车的意外死亡概率最高。与飞机相比，汽车的意外死亡概率每小时约为飞机的1/2。铁路的死亡概率约为1/670，远低于飞机的死亡概率 。

尽管铁路在社会基础设施中扮演着重要角色，但它面临着来自其他交通系统的激烈竞争，迫切需要检验和验证安全改进策略，以确保稳定安全的交通。为了选择应该着重进行事故预防措施的目标，需要考虑事故的影响以及人力、经济和社会损失的规模，并考虑如何有效提高安全性。先前的研究通过优化风险最小化和生命周期成本最小化模型，阐明了安全投资成本和效果之间的关系。

许多研究旨在提高铁路安全，防止特定事故。特别是对大规模事故的研究有助于我们开发和引入防止类似事故发生的新技术和机制。事故预防有两种主要方法：一种方法是识别待分析的事故或事件，估计事故发生的过程，并研究预防措施。另一种方法是首先将铁路划分为几个子系统，尽可能提取危险，并估计危险所带来的风险，消除被判断为高风险的危险。前一种研究基于微观分析，重点在于详细的事故原因和事故过程。

对日本的铁路事故进行的研究并不多，因此迄今为止进行的研究较少。应用统计方法对日本铁路系统的安全性进行了测量，以减轻列车事故，并提出了一个模型，用于从列车操作员的观点，例如判断和行为，来解释列车事故的发生过程。提出了减少严重列车事故（STAs）数量的几种对策。

使用1987年至2005年的数据，从发生频率、类型、原因和对策等多个角度考察了日本的STAs。他们展示了统计模型，并观察到STAs的频率和相互发生间隔可以用泊松过程来解释。使用2001年至2011年的数据，研究了列车事故的发生及其对列车运营的影响，如延误和取消列车服务的情况。也通过使用历史数据讨论了日本的列车事故。

英国特别对铁路事故进行了定量调查，特别是在1992年国家铁路私有化后，发生了许多重大事故。使用75个致命列车事故数据点对英国铁路事故进行了研究，根据事故类型对其进行分类。他建立了一个模型，估计列车事故的发生概率和死亡人数，并得出引入事故预防设备和装置是有效的结论。

这些由Evans进行的研究是少数几个根据事故类型和导致事故的因素进行横断面分析的例子之一。开发了一个考虑到出现过程，如诞生过程和泊松过程的模型，使用概率方法分析了脱轨风险。证明通过增加与轮轨磨损相关的检查频率，可以显著降低脱轨风险。提出了一种评估铁路交通系统全局风险的离散时间马尔可夫链方法。

描述了安全是铁路运营的核心问题，并强调铁路平交道安全是铁路的高度关键方面，并通过应用贝叶斯风险模型对铁路平交道事故进行了因果推理分析。他们提供了改进措施的结果，以减少风险并减轻平交道事故的后果。研究了伊朗铁路事故的多种原因。他们得出结论，约55%的事故是由脱轨引起的。

描述了铁路安全管理问题和评估交通风险的标准，构建了立陶宛铁路PDCA过程的交通风险评估模型。通过使用逻辑回归方法评估平交道事故的安全性，他们得出结论，他们的风险评估模型是灵活的，并且可以轻松地用于评估和监控与铁路基础设施相关的其他要素的安全风险。试图识别危险情况、危险原因、潜在事故和严重后果。

研究的目标是通过优化轨道维护策略来提高铁路系统的安全性，这是铁路业务管理中的一个重要问题。由于轨道维护成本占据了铁路运营成本的近三分之一，而且随着人口减少，旅客数量可能会下降，铁路业务的收入也预计会下降。由于劳动力减少而预期的劳动力成本增加，需要对铁路业务结构进行彻底审查。在这种情况下，为了改善维护管理绩效，必须确定和实施有效和高效的轨道维护策略。

许多研究已经进行了基于数学模型表示的优化轨道维护计划，对维护计划进行了全面的综述。特别地，根据轨道状况和计划周期将维护计划分为战略、战术和操作性三个层次，使得维护管理可以在不同层次上实施。提出了一种预防性维护计划，以防止铁路系统的意外故障。他们通过应用贪心启发式算法提出了一个数学模型，并通过随机生成实例比较了启发式算法与最优解之间的性能。

在预防性层面优化维护措施可以降低轨道的维护成本。调度预防性维护措施对于铁路管理机构非常重要。开发了考虑脱轨事故风险的OTMS模型。在通过使用整数线性规划（AILP）优化模型分析获得一个改善铁路轨道不规则性的最佳维护计划。通过调查脱轨风险的过渡过程，预测了表面不规则性的变化，并最终获得了一整年的多道钉式打包机的最佳整顿计划。

提出了一个OTMS模型，用于维护适当的铁路轨道条件和实现高效的铁路服务管理。他们的模型已被几家主要的日本铁路公司用于开发自己的OTMS模型。基于这些优化模型，还开发了用于规划各种维护设备的操作计划的系统，或将不同维护设备结合起来进行更可持续的轨道维护的系统。

在轨道维护计划优化中，需要处理大量数据。获得精确最优解所需的计算复杂性是巨大的。因此，已经提出和验证了多方面的效率程序，例如收集大量数据的方法，提高处理效率以及简化优化计算。涉及如何从收集大量数据的角度高效地检测LLID数据的问题，并提出了一种特定和高效的方法来检测异常的LLID批次。

开发了一个混合整数线性规划（MILP）模型，以在预防性维护中最小化轨道寿命周期的维护成本，同时确保所需的几何质量。他们的模型旨在优化碴道轨道的整顿操作。提出了一个优化模型，用于在网络层面上安排碴道、轨道和枕木更新操作。他们的目标是最小化预期的铁路轨道寿命周期成本（LCC）和由交通中断引起的用户影响导致的轨道不可用成本。

最终的目标是通过优化轨道维护来提高铁路系统的安全性，这需要高效地确定异常LLID的位置。通常会定期进行轨道检查以进行计划维护和恢复轨道几何。在极少数情况下，由于路基中的大空腔或维护后的碴石的初期沉降，LLID可能会出现局部和迅速的情况。这可能会威胁到列车的安全运行，并可能导致交通混乱和事故。

可能会立即进行紧急的轨道维护等非计划行动。为了确保稳定的列车运输，需要及早发现LLID增长的迹象，确定其发生的位置和趋势，并提前进行轨道维护。迅速高效地检测异常LLID批次至今并未广泛进行，而且检测方法此前也未被研究。

提出了一种使用轨道几何测量和维护操作数据的计算机应用程序，该应用程序已应用于法国。提出了一种在铁路网络中安排轨道检查和维护活动的方法。提出了一种简化的基于条件的维护（CBM）方法，以实施LLID并在轨道位置上进行适当和及时的维护。

提出了一种预测框架，使用轨道几何测量车辆进行测量获得的LLID数据进行验证。他们的方法显示出优于现有方法的预测性能。开发了一种支持向量机（SVM）来建模轨道几何缺陷的退化，重点关注表面、横向和倾斜三种缺陷类型。模型结果表明预测准确性高于70%。

LLID测量和分析技术的改进使得可以高频率且简单地获得轨道检查和加速数据。开发了一种安装在商用铁路车辆上的原型轨道测量设备。对于轨道缺陷的诊断和预测，可以通过对转向架的前轴进行有效管理来管理铁轨波浪。显示通过在多任务学习框架中组合多个探测器可以提高检测性能，他们的方法结果显示出改进了缺陷检测的准确性。

提出的方法可以通过对数据进行可视化来更清晰地把握LLID情况，从而提高可靠性和安全性。提出了基于专家系统的铁路轨道CBM决策支持方法。他们的结果支持基础设施管理者分析铁路基础设施中的问题，并有效地进行CBM决策。

调查了近期机器学习（ML）在铁路轨道维护中用于诊断和预测铁轨缺陷的应用。他们指出了当前技术的缺点，并讨论了研究界和铁路行业在解决这些问题方面可以采取的措施，并提出了未来的研究方向。开发了一个神经网络模型，并揭示神经网络技术能够在轨道中建立几何缺陷和结构问题之间的关联。

介绍了数据驱动模型，如人工神经网络和支持向量回归，作为ML技术的基本组成部分。通过得到适当的轨道退化统计模型，可以优化碴道轨道的维护和更新的时间和成本。LLID通常是通过在轨道上放置参考线并测量连接两端的线段的中心和参考线中心的距离来获得的。

已知使用5米弦不规则性（参考线长度为5米）来检测异常比使用10米弦不规则性更准确[64]。因此，在研究中主要使用5米弦LLID进行分析。在开发检测异常LLID批次的方法时，对于要分析的目标线段的特性做出了以下假设：1）年通过吨位约为170到250万吨，2）总轨道长度为558.9公里，3）没有货物运输的高速线路（新干线），4）轨道检查周期为每10天一次。这些数据收集自2015年至2020年。该数据是从168天的检查中获得的。

通常控制指标是根据10米弦不规则性来定义的，以确保安全和一定的乘车舒适度，并减少紧急维护工作的数量。定义了三个级别的控制指标：第一级是计划定期维护工作的维护目标值；第二级是运营维护目标值，旨在保持一定的乘车舒适度；第三级是极限位移值，当达到该值时，立即进行维护工作。

558.9公里的总轨道长度被划分为每100米一块的地段，对于每一块地段，确定了位移的最大值，这被称为最大位移。称为总地段集合的5589块地段的集合。图1显示了5米弦和10米弦情况下最大位移的分布。从图中可以看出，10米弦最大位移倾向于比5米弦大。发现两个数据集之间的差异并不显著，因为两个数据集之间的确定系数为0.645。

研究聚焦于铁路业务，作为许多国家世界范围内交通和物流的基础设施，扮演着重要角色。我们提出并验证了一种有效的方法，从轨道维护管理的角度来检测表现出异常LLID（轨道不规则性）的地段，以提升铁路系统的可靠性和安全性。应用了多种多变量分析技术，如聚类分析、主成分分析（PCA）和二项式和有序的逻辑回归模型（LRM），来研究LLID的异常程度。

[1] Tyrell, D.C. (2002) 铁路乘客设备事故与碰撞安全策略评估。机械工程师学会会议录。

[2] Jamie, S. 和 Alan, N.B. (2004) 英国铁路事故：系统分析。2004年铁路工程, 伦敦, 2004。

[3] Huang, S. (2002) 英国铁路网络的安全管理。2002年铁路工程, 伦敦, 2002。

[4] An, M. 和 Lupton, J. (2002) 铁路安全评估——现状与未来发展方向。2002年铁路工程, 伦敦, 2002。

[5] Fukuda, H. (1990) 铁路事故分析和安全评估指标中的问题。铁道研究所季报。

关于上证大盘，今天的走势符合预判，先冲高再回落然后再涨的走势，只不过大盘冲得有点高了导致回落没有新低。明天继续看多看涨，大盘可能会走加速，有可能要走5-3浪上涨，明天大盘的压力位3417点、3438点和3500点，支撑位3393点、3380点和3358点。

关于上证大盘的级别，目前正处于日线级别中枢震荡、30分钟级别上涨和5分钟级别上涨中，从2863点的上涨走的是30分钟级别的线段，也是5分钟级别的走势，上涨还没有结束。

上证大盘30分钟周期图，从23863点的上涨要走5浪上涨，目前正处于从3262点开始的第5浪上涨中，大盘在3262点形成了30分钟级别转折中枢的3买点，所以第5浪的行情是值得期待的，第5浪的上涨可能要有5个子浪组成。下面通过5分钟周期图继续分析第5浪的走势。

上证大盘30分钟周期图

上证大盘5分钟周期图，从3262点开始的第5浪的上涨，预计要走5分钟级别的走势，因为目前已经构建了5分钟级别的中枢，中枢的上轨为3393点，下轨为3358点，预计明天大盘会再次回踩中枢，可能要考验3380点附近的支撑，然后可能要走加速，也就是要走5-3浪的上涨，后面还有5-4浪的回调和第5-5浪的上涨。

上证大盘5分钟周期图

上证大盘1分钟周期图，明天的两种走势已经画出来，无论哪种走势都要走加速，无非是大盘震荡的时间是长还是短的问题，两种走势不再细说。

上证大盘1分钟周期图

综上所述，明天上证大盘，继续看多看涨，稍微震荡后可能会走加速，也就是5-3浪的上涨。明天大盘的压力位3417点、3438点和3500点，支撑位3393点、3380点和3358点。

最后，我说一句，股市的走势是概率性问题，没有什么绝对的走势，一切皆有可能，那为什么要做技术分析？做技术分析的目的可以发现哪种走势的概率大一点而已。

以上分析，仅属于个人观点，仅供参考，不构成投资依据，投资者应该自己独立决策，自己承担风险。

上一篇：炒股入门知识还有网上炒股入门教程

下一篇：李彪教你炒股票以及教你炒股票知乎