軌道振動量測數據結合長短期記憶模型（LSTM）預估幾何不整處之探討——以臺灣鐵路公司臺中工務段為例

國營臺灣鐵路股份有限公司（簡稱臺鐵公司）規定轄下各工務段每月至少辦理1次營運列車行駛時之振動量測，並透過訂立標準值推估軌道幾何線形異常處，本研究蒐集臺鐵公司臺中工務段過往量測資料，分析列車行為模式對振動量測可能造成的影響，並經資料篩選和處理後，擇定單一月份振動量測資料做為深度學習長短期記憶模型（Long Shour-Term Memory，LSTM）之訓練、測試資料集，再利用完成學習之模型預測後續月份之振動量測值，並藉由比較預測值和真實振動量測值之差值，利用現場查修資料瞭解差異原因，以推估振動量測和軌道幾何線形不整之關聯性，結果顯示，各月份振動量測在相同的車種、固定路線範圍且穩定速度行駛下有相近的振動模式，故藉由振動量測能反映軌道狀況，而LSTM亦可準確預測軌道振動量測值。