基于LSTM神经网络的地铁车站温度预测

作者：赵明珠; **; 方杰^*; 李岩; 毛军

来源：北京交通大学学报, 2020, 44(04): 94-101.

• 地铁
• 车站温度
• 时序预测
• 长短时记忆神经网络
• 预测模型

地铁车站温度是影响乘客热舒适性的主要指标,且易受到列车运动、机械风等多种因素的影响而产生较大幅度和较为频繁的波动,需要准确掌握车站温度的变化规律和趋势,以便为合理调控车站热环境舒适性提供科学依据.为此,以北京市某地铁车站的温度实测数据为例,采用小波去噪、数据窗口化处理以及时序数据建模方法,分别建立了车站温度的差分自回归移动平均(ARIMA)预测模型、长短时记忆(LSTM)神经网络预测模型、双向长短时记忆(BiLSTM)神经网络预测模型.通过3种预测模型,得到车站温度的预测值与实测值的对比,研究结果表明:3种模型均具有较好的回归预测性能,适用于宏观掌握地铁车站温度的变化趋势,且BiLSTM模型的预测精度最优,其次是LSTM模型和ARIMA模型.其中,BiLSTM模型的预测精度可达80.58%,能够学习温度时序数据的双向特征,更适用于预测环境状态波动明显的空间温度变化趋势.

• 单位
  北京市地铁运营有限公司; 建筑工程学院; 北京交通大学