地鐵車(chē)站溫度是影響乘客熱舒適性的主要指標(biāo),且易受到列車(chē)運(yùn)動(dòng)、機(jī)械風(fēng)等多種因素的影響而產(chǎn)生較大幅度和較為頻繁的波動(dòng),需要準(zhǔn)確掌握車(chē)站溫度的變化規(guī)律和趨勢(shì),以便為合理調(diào)控車(chē)站熱環(huán)境舒適性提供科學(xué)依據(jù).為此,以北京市某地鐵車(chē)站的溫度實(shí)測(cè)數(shù)據(jù)為例,采用小波去噪、數(shù)據(jù)窗口化處理以及時(shí)序數(shù)據(jù)建模方法,分別建立了車(chē)站溫度的差分自回歸移動(dòng)平均(ARIMA)預(yù)測(cè)模型、長(zhǎng)短時(shí)記憶(LSTM)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、雙向長(zhǎng)短時(shí)記憶(BiLSTM)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.通過(guò)3種預(yù)測(cè)模型,得到車(chē)站溫度的預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比,研究結(jié)果表明:3種模型均具有較好的回歸預(yù)測(cè)性能,適用于宏觀(guān)掌握地鐵車(chē)站溫度的變化趨勢(shì),且BiLSTM模型的預(yù)測(cè)精度最優(yōu),其次是LSTM模型和ARIMA模型.其中,BiLSTM模型的預(yù)測(cè)精度可達(dá)80.58%,能夠?qū)W習(xí)溫度時(shí)序數(shù)據(jù)的雙向特征,更適用于預(yù)測(cè)環(huán)境狀態(tài)波動(dòng)明顯的空間溫度變化趨勢(shì).

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1RNN結(jié)構(gòu)

長(zhǎng)短時(shí)記憶(LSTM)神經(jīng)網(wǎng)絡(luò)在普通RNN的基礎(chǔ)上,在隱藏層各神經(jīng)單元中增加記憶單元使RNN網(wǎng)絡(luò)具備了長(zhǎng)期記憶功能.RNN在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上,增加隱含層各單元間的橫向聯(lián)系,將神經(jīng)網(wǎng)絡(luò)上一個(gè)時(shí)間步的值傳遞至當(dāng)前的時(shí)間步,使神經(jīng)網(wǎng)絡(luò)具備記憶功能,應(yīng)用于處理有上下文聯(lián)系的自然語(yǔ)言識(shí)別....

圖2LSTM網(wǎng)絡(luò)結(jié)構(gòu)

RNN中隱含層主要用于時(shí)間序列的信息捕獲,進(jìn)行最主要的迭代計(jì)算工作.原始RNN的隱藏層只有一個(gè)狀態(tài)s,對(duì)于短期輸入非常敏感.LSTM在RNN基礎(chǔ)上增加一個(gè)單元狀態(tài)(cellstate),以保存長(zhǎng)期的狀態(tài).LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖2.LSTM通過(guò)3個(gè)可控門(mén)調(diào)整歷史信息和當(dāng)前信息的....

圖3LSTM控制門(mén)示意圖

LSTM通過(guò)3個(gè)可控門(mén)調(diào)整歷史信息和當(dāng)前信息的權(quán)重,優(yōu)化并得到最優(yōu)模型,LSTM控制門(mén)示意見(jiàn)圖3.在RNN的基礎(chǔ)上,LSTM根據(jù)上一次的溫度輸出值和本次溫度輸入值計(jì)算當(dāng)前的單元狀態(tài).ct′=tanh[Wc?(st-1,Τt)+bc]?????????....

圖4間隔5s和間隔30min部分?jǐn)?shù)據(jù)

由于采樣時(shí)間間隔為5s時(shí)站臺(tái)溫度變化不明顯,導(dǎo)致模型訓(xùn)練過(guò)程無(wú)法學(xué)習(xí)到足夠的有效特征且計(jì)算量過(guò)大,故在保留原始數(shù)據(jù)變化趨勢(shì)的前提下,將該數(shù)據(jù)集處理為時(shí)間間隔為30min的新數(shù)據(jù)集以減少數(shù)據(jù)量,處理后的數(shù)據(jù)集共有1536個(gè)樣本.2019年6月8日和2019年6月9日期間處理前....

本文編號(hào)：3962084