基于LSTM神经网络的地铁车站温度预测
赵明珠1
王丹1
方杰2
李岩1
毛军2
1.北京市地铁运营有限公司,北京1000442.北京交通大学土木建筑工程学院,北京100044
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.
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
分类号：U231.4(特种铁路)
资助基金：北京市地铁运营有限公司科技项目(C19L00180)北京市地铁运营有限公司科技项目(C19L01030)国家自然科学基金(51578601)
论文发表日期：2020-08-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 94-101 )
英文信息