10.16526/j.cnki.11-4762/tp.2022.01.004
基于LSTM— LightGBM模型的车站环境温度预测
客运火车站环境温度易受其他环境特征变量如湿度、PM2.5、二氧化碳等影响,传统的单变量预测算法并未考虑其他环境特征变量的影响因素;为进一步准确预测车站环境温度值,提出了结合长短期记忆神经网络LSTM与梯度提升算法LightGBM的组合模型,对客运站环境温度值进行预测;首先将预处理数据输入LSTM模型,对环境特征变量湿度、二氧化碳、PM2.5、PM10进行单变量预测;再将环境特征变量的LSTM输出预测值输入LightGBM模型得出环境温度预测值;根据波形图与均方根误差RMSE对比分析,基于LSTM— LightGBM的组合模型预测方法可以保留LSTM模型对单变量预测的周期性特点,且可表现出环境特征变量输入LightGBM模型后对温度预测的非平稳变化;结果表明基于LSTM— LightGBM的组合模型方法比单纯使用LSTM方法更接近原始波形,具有更低的RMSE.
环境温度;单变量预测;长短期记忆神经网络;梯度提升算法;环境特征变量
30
U291.6+1(铁路运输管理工程)
国家自然科学基金;国家重点研发计划
2022-02-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
20-25