基于LSTM神经网络的地铁车站温度预测

发布时间：2024-04-22 18:21

　　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.

【文章页数】：8 页

【部分图文】：

图1RNN结构

长短时记忆(LSTM)神经网络在普通RNN的基础上,在隐藏层各神经单元中增加记忆单元使RNN网络具备了长期记忆功能.RNN在人工神经网络基础上,增加隐含层各单元间的横向联系,将神经网络上一个时间步的值传递至当前的时间步,使神经网络具备记忆功能,应用于处理有上下文联系的自然语言识别....

图2LSTM网络结构

RNN中隐含层主要用于时间序列的信息捕获,进行最主要的迭代计算工作.原始RNN的隐藏层只有一个状态s,对于短期输入非常敏感.LSTM在RNN基础上增加一个单元状态(cellstate),以保存长期的状态.LSTM神经网络结构见图2.LSTM通过3个可控门调整历史信息和当前信息的....

图3LSTM控制门示意图

LSTM通过3个可控门调整历史信息和当前信息的权重,优化并得到最优模型,LSTM控制门示意见图3.在RNN的基础上,LSTM根据上一次的温度输出值和本次温度输入值计算当前的单元状态.ct′=tanh[Wc?(st-1,Τt)+bc]?????????....

图4间隔5s和间隔30min部分数据

由于采样时间间隔为5s时站台温度变化不明显,导致模型训练过程无法学习到足够的有效特征且计算量过大,故在保留原始数据变化趋势的前提下,将该数据集处理为时间间隔为30min的新数据集以减少数据量,处理后的数据集共有1536个样本.2019年6月8日和2019年6月9日期间处理前....

本文编号：3962084