基于数据挖掘算法的地铁站能耗时序预测方法

发布时间：2021-11-14 12:46

　　建立了误差反向传播神经网络（BPNN）、决策树分类与回归树（CART）、支持向量回归机（SVR）三种普通的输入-输出预测模型,对地铁站能耗进行预测。基于数据挖掘算法对三个模型进行改进,得到了三种模型基于时间延迟的预测结果,对比了改进前后的预测结果,并确定了最佳的时间延迟。结果表明:普通的输入-输出模型中,SVR对能耗的预测更加精确;基于时间序列的能耗预测模型对BPNN预测模型的提升最大;滞后时长为5 min时,三种模型的预测精度最高;基于决策树CART算法的时序能耗预测模型对时间延迟的敏感度最高。 

【文章来源】：城市轨道交通研究. 2020,23(06)北大核心

【文章页数】：5 页

【部分图文】：

三种能耗预测模型下的R2图

在td为5 min的情况下,BPNN模型在三种模型中受时间序列预测模型的影响最大,效果也最好。图2表示了当td为5 min时基于数据挖掘算法的时间序列预测模型产生的能耗预测值与实际值的对比。从图2可知,三种预测模型的预测精度都有了很大的提升,改进后的预测值在极值处较原来的预测值更接近于实际值。如表1所示,改进后三种模型的δMAE、δMAPE与δRMSE都低于原来数值的一半,R2也都提升到了0.95以上。其中,相较其他算法而言,BPNN模型的R2提升最大,由最低的0.791 746 6提升至0.986 128 9,高于SVR模型的R2(0.984 342 2)。图3展示了三种模型的预测吻合程度,可以看出BPNN与SVR的精确度要优于决策树CART。决策树CART的偏离程度相对较高,但同样能够预测能耗的大致走向与趋势。

图3展示了三种模型的预测吻合程度,可以看出BPNN与SVR的精确度要优于决策树CART。决策树CART的偏离程度相对较高,但同样能够预测能耗的大致走向与趋势。2.4 滞后时长对模型影响

【参考文献】：
期刊论文
[1]重庆地铁站通风空调系统节能改造[J]. 王春,李楠,刘志军,罗天,罗中.  暖通空调. 2017(01)
[2]地铁站空调系统节能潜力分析[J]. 张华廷,田雪刚,向灵均.  暖通空调. 2016(04)
[3]地铁站乘客动态热舒适评价研究[J]. 朱培根,王春旺,仝晓娜,宋桦,李晓昀.  暖通空调. 2016(02)
[4]非线性自回归时序模型研究及其预测应用[J]. 陈茹雯,黄仁.  系统工程理论与实践. 2015(09)



本文编号：3494664