一种基于多周期特征的LSTM-SVR地铁车站温度预测方法技术

本发明专利技术公开了一种基于多周期特征的LSTM

【技术实现步骤摘要】
一种基于多周期特征的LSTM
‑
SVR地铁车站温度预测方法


[0001]本专利技术属于轨道交通领域，涉及轨道交通地铁车站环境控制、温度控制、温度预测领域，尤其涉及一种基于多周期特征的LSTM
‑
SVR（长短期记忆网络
‑
支持向量回归）地铁车站温度预测方法。

技术介绍

[0002]城市轨道交通作为当前城市内最为先进的公共交通工具，承担着大量的客运任务，地铁环境存在客流量大、人员密集且空气流通性较差等特点，地铁车站内温湿度对乘客舒适度和满意度有较大影响，因此根据高准确度的温度预测，实时调节地铁冷水机组和空调系统，对改善乘客乘车体验具有重要意义。
[0003]对于地铁车站内的温度，在自然环境下，毫无疑问影响最大的是季节气候，然后是日内的时间段，其具有明显的时序性和多周期性。另外，温度同时受车站建筑面积、人流量、列车运行、通风空调、冷水机组的调节状态等因素相关。基于时间序列的预测主要是利用大量的历史数据来训练模型，再根据当前影响环境的因素进行预测，适用于对通风空调系统进行调节。对时间序列数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多周期特征的LSTM
‑
SVR地铁车站温度预测方法，其特征在于：将温度时间序列数据做离散傅里叶变换，根据频谱峰值提取明显处于峰值的周期特征；按最大幅值周期做滑动平均，消除周期性，做特征工程，再训练LSTM模型，对长期趋势和循环波动做预测；然后将原时间序列数据与滑动平均值做商，得到周期性特征序列，根据其傅里叶变化频谱分析其剩余周期性，并提取剩余周期特征，做特征工程，训练SVR模型，同时改进时间序列分解法，对周期性做预测，将结果叠加得到预测值。2.根据权利要求1所述一种基于多周期特征的LSTM
‑
SVR地铁车站温度预测方法，其特征在于，具体包括以下步骤：步骤1：进行训练集特征值分离，并通过循环交叉验证和参数优化不断训练LSTM
‑
SVR模型;步骤2：采用改进的时间序列分解预测模型构建周期波动因素，并叠加预测结果输出。3.根据权利要求2所述一种基于多周期特征的LSTM
‑
SVR地铁车站温度预测方法，其特征在于：所述步骤1包括：步骤101：对温度时间序列数据做离散傅里叶变换，得到其不同频率分量的幅值；离散傅里叶变换公式为：傅里叶变换公式为：其中，是长度为N的有限长序列，是序列中各点对应的频谱；步骤102：结合时间序列分解法，提取各个特征分量；时间序列特征Y
t
，利用分解法分为四个因素，且存在以下关系：长期趋势因素T
t
：表示时间序列在较长持续期内表现出来的总态势，由现象内在的根本性的、本质因素决定的，支配着现象沿着一个方向持续上升、下降或在原有水平上起伏波动；周期波动因素S
t
：表示由于自然季节因素或人文习惯季节因素更替的影响，时间序列随季节更替而呈现的周期性变动；循环波动因素C
t
：表示时间序列中以若干年为周期、上升与下降交替出现的循环往复的运动；不规则波动因素I
t
：表示时间序列由于受偶然性因素的影响而表现出的不规则波动；时间序列分解法采用乘法模型，即；并且乘法模型具备以下特
征：S
t
具有周期性，，表示时间序列数据的滑动平均值；，对I
t
变量做滑动平均将消除大部分随机性；I
t
是独立随机变量序列，服从均值为0的正态分布；步骤103：对于长期趋势因素T
t
，采用LSTM训练模型；所述LSTM训练模型包括遗忘门，输入门和输出门，能够在更长的序列中有好的表现；遗忘门：；输入门：；根据上一次的输出和本次输入来计算当前输入的单元状态：根据上一次的输出和本次输入...

【专利技术属性】
技术研发人员：李佑文，张玥，马少伟，褚红健，蔡一磊，王声柱，
申请(专利权)人：南京国电南自轨道交通工程有限公司，
类型：发明
国别省市：