基于LSTM神经网络的地铁车站温度预测

• 作者: 方杰 李岩 毛军 王丹 赵明珠
• 来源期刊: 北京交通大学学报
• 学科: 交通运输
• 关键词: 地铁 车站温度 时序预测 长短时记忆神经网络 预测模型
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 交通运输工程
• 页码范围: 94-101
• 页数: 8页
• 分类号: U231.4
• 语种: 中文
• DOI: 10.11860/j.issn.1673-0291.20190136

摘要

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.