基于自回歸LSTM神經(jīng)網(wǎng)絡(luò)的地鐵車(chē)站環(huán)境參數(shù)概率預(yù)測(cè)

曲洪權(quán) 李 博 龐麗萍 梁思遠(yuǎn)

基于自回歸LSTM神經(jīng)網(wǎng)絡(luò)的地鐵車(chē)站環(huán)境參數(shù)概率預(yù)測(cè)

曲洪權(quán)1李 博1龐麗萍2梁思遠(yuǎn)1

（1.北方工業(yè)大學(xué)信息學(xué)院北京 100144；2.北京航空航天大學(xué)航空科學(xué)與工程學(xué)院北京 100191）

在地鐵車(chē)站這種人員密集的場(chǎng)景中，預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的環(huán)境參數(shù)變化對(duì)于列車(chē)正常運(yùn)行和乘客安全有重要意義。和傳統(tǒng)的點(diǎn)預(yù)測(cè)方法相比，提出了一種基于自回歸循環(huán)LSTM網(wǎng)絡(luò)的概率預(yù)測(cè)方法。不同于點(diǎn)預(yù)測(cè)，概率預(yù)測(cè)給出預(yù)測(cè)變量在下一時(shí)刻的概率密度函數(shù)，考慮了地鐵車(chē)站環(huán)境參數(shù)預(yù)測(cè)的不確定性，對(duì)于站內(nèi)提前、可靠對(duì)緊急情況做出反應(yīng)有重要的意義。提出的預(yù)測(cè)模型，將預(yù)測(cè)變量的歷史數(shù)據(jù)和車(chē)站外部環(huán)境參數(shù)作為輸入變量來(lái)預(yù)測(cè)的環(huán)境參數(shù)的下一時(shí)刻的概率密度函數(shù)，進(jìn)而得到下一時(shí)刻該環(huán)境參數(shù)的變化范圍和分位數(shù)等信息。為了驗(yàn)證所提方法的準(zhǔn)確性，收集了3個(gè)地鐵站的環(huán)境參數(shù)數(shù)據(jù)，并使用概率預(yù)測(cè)方法進(jìn)行了預(yù)測(cè)。結(jié)果顯示，提出的方法不僅可以預(yù)測(cè)最可能的環(huán)境參數(shù)預(yù)測(cè)結(jié)果，而且可以預(yù)測(cè)極端情況的發(fā)生概率，對(duì)于預(yù)防緊急事故和決策有重要意義。

地鐵車(chē)站；環(huán)境參數(shù)；概率預(yù)測(cè)；LSTM網(wǎng)絡(luò)

0 引言

在城市地區(qū)，地鐵是解決交通擁堵問(wèn)題的最有效的公共交通方式之一，同時(shí)，乘客數(shù)量隨著地鐵的發(fā)展不斷增加[1-3]。由于地鐵車(chē)站大部分處于地下空間，通風(fēng)條件差，污染物容易在站內(nèi)沉淀，對(duì)旅客健康造成不良影響，例如NH3，VOCS，NO2等。因此，有必要分析地鐵站的環(huán)境趨勢(shì)，并建立一個(gè)相對(duì)準(zhǔn)確的模型來(lái)預(yù)測(cè)地鐵站的環(huán)境參數(shù)[4]。

近年來(lái)，神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的非線性擬合能力的優(yōu)勢(shì)被廣泛應(yīng)用在環(huán)境參數(shù)預(yù)測(cè)研究中，這種方法不需要大多數(shù)關(guān)于過(guò)程機(jī)制的基本知識(shí)，通過(guò)實(shí)驗(yàn)數(shù)據(jù)即可建模[5-8]。許多研究者們使用神經(jīng)網(wǎng)絡(luò)建模預(yù)測(cè)環(huán)境參數(shù)，并取得了很好的效果[9-12]。Kamal等人證明人工神經(jīng)網(wǎng)絡(luò)(ANN)可以簡(jiǎn)化和加快環(huán)境空氣質(zhì)量的計(jì)算[13]。Bodri等人使用ANN模型預(yù)測(cè)一天的地面氣溫（SAT），模型預(yù)測(cè)結(jié)果與實(shí)測(cè)數(shù)據(jù)非常接近[14]。Kim等人的研究結(jié)果表明，在室內(nèi)空氣質(zhì)量預(yù)測(cè)中，與其他數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)模型相比，遞歸神經(jīng)網(wǎng)絡(luò)（RNN）模型可以提供更好的建模性能和更高的可解釋性，并證明了關(guān)鍵變量選擇的重要作用[15]。Lim等人提出了一種新的關(guān)鍵變量選擇方法，并進(jìn)一步揭示了關(guān)鍵變量對(duì)預(yù)測(cè)的重要性[16]。Qu等人開(kāi)發(fā)了一種基于滑動(dòng)時(shí)間窗的隨機(jī)矢量功能鏈接神經(jīng)網(wǎng)絡(luò)（RVFLNN）的建模方法，并解決了大數(shù)據(jù)計(jì)算速度慢的問(wèn)題[17]。

上述方法的預(yù)測(cè)目標(biāo)是在每個(gè)時(shí)間步驟中預(yù)測(cè)一個(gè)準(zhǔn)確的值。但是，實(shí)踐中的結(jié)果可能會(huì)受到許多因素的影響，預(yù)測(cè)環(huán)境參數(shù)的概率分布可能更合理[18-20]。Aznarte等人研究了利用分位數(shù)回歸法預(yù)測(cè)NO2極端濃度，并改進(jìn)了概率預(yù)測(cè)方法[21]。對(duì)于地鐵站內(nèi)環(huán)境而言，環(huán)境參數(shù)的概率預(yù)測(cè)也具有重要作用。通常，預(yù)測(cè)地鐵環(huán)境參數(shù)的目的是判斷未來(lái)一段時(shí)間內(nèi)的污染濃度是否超過(guò)最大允許濃度，更加關(guān)注于污染物超標(biāo)的發(fā)生概率。因此，本文提出了一種基于自回歸LSTM網(wǎng)絡(luò)的概率預(yù)測(cè)方法，輸入外部參數(shù)和預(yù)測(cè)參數(shù)的歷史數(shù)據(jù)，預(yù)測(cè)地鐵站內(nèi)環(huán)境參數(shù)的概率分布，為地鐵車(chē)站的環(huán)境控制提供重要支持。

1 地鐵車(chē)站現(xiàn)場(chǎng)數(shù)據(jù)采集與處理

1.1 設(shè)備簡(jiǎn)介

地鐵車(chē)站現(xiàn)場(chǎng)數(shù)據(jù)采集使用的實(shí)驗(yàn)設(shè)備為CPR-KA空氣質(zhì)量監(jiān)測(cè)儀，如圖1所示。該設(shè)備采用泵吸式采樣方式，采樣方式為300ml/min，數(shù)據(jù)記錄間隔為2分鐘/次，共監(jiān)測(cè)6種參數(shù)，測(cè)量范圍和分辨率如表1所示。

圖1 一體化綜合監(jiān)測(cè)設(shè)備

表1 設(shè)備參數(shù)

1.2 地鐵測(cè)試車(chē)站類(lèi)型及測(cè)試時(shí)間

（1）實(shí)驗(yàn)選定3個(gè)車(chē)站作為測(cè)試站點(diǎn)，如表2所示，分別為Station1、Station2、Station3，并且為了保證測(cè)試結(jié)果的多樣性，我們選定的車(chē)站包含普通站和換乘站，全高屏蔽門(mén)和半高屏蔽門(mén)，每個(gè)車(chē)站的類(lèi)型均不相同。測(cè)試期間，每個(gè)車(chē)站測(cè)試時(shí)間為1天，一體化綜合監(jiān)測(cè)設(shè)備均放置在站臺(tái)中間，距離地面高度為1.2m，如圖2所示。

表2 測(cè)試站點(diǎn)

（2）為了分析車(chē)站環(huán)境參數(shù)的變化以及其影響因素，我們收集了測(cè)試當(dāng)天的車(chē)站客流量和列車(chē)發(fā)車(chē)頻率（由地鐵運(yùn)營(yíng)公司提供）以及大氣氣象數(shù)據(jù)（室外大氣溫度，室外大氣相對(duì)濕度，來(lái)自中國(guó)氣象數(shù)據(jù)網(wǎng)http://data.cma.cn/）。大氣環(huán)境數(shù)據(jù)（室外PM10，室外CO，室外NO2，室外SO2，來(lái)自空氣質(zhì)量歷史數(shù)據(jù)http://beijingair.sinaapp.com/），總計(jì)8種外部變量。

圖2 設(shè)備放置地點(diǎn)

圖2中，左圖紅色點(diǎn)標(biāo)記了設(shè)備的擺放位置，右圖為車(chē)站現(xiàn)場(chǎng)照片。經(jīng)過(guò)以上所有測(cè)試，我們獲得1260組觀測(cè)值，時(shí)間間隔2分鐘，包括9種站內(nèi)環(huán)境參數(shù)，8種外部影響參數(shù)，并對(duì)所有數(shù)據(jù)進(jìn)行預(yù)處理操作，包括補(bǔ)充缺失值，異常值處理，歸一化以及去噪，保證數(shù)據(jù)的可靠性。

2 概率預(yù)測(cè)模型

2.1 網(wǎng)絡(luò)模型

將站內(nèi)環(huán)境參數(shù)未來(lái)時(shí)刻的預(yù)測(cè)視作構(gòu)建一個(gè)條件分布，本文提出的模型可以用如下公式（1）表示：

針對(duì)于每一個(gè)時(shí)間點(diǎn)的預(yù)測(cè)而言，模型可以寫(xiě)成如下公式（2）的形式：

均值的計(jì)算：

標(biāo)準(zhǔn)差的計(jì)算：

對(duì)于訓(xùn)練和預(yù)測(cè)過(guò)程，它們的網(wǎng)絡(luò)結(jié)構(gòu)是相同的。對(duì)于訓(xùn)練過(guò)程，的值是已知的，但在預(yù)測(cè)過(guò)程中是未知的。為了繼續(xù)預(yù)測(cè)，需要從最后一個(gè)時(shí)間步長(zhǎng)的分布中得到一個(gè)采樣值，作為下一步預(yù)測(cè)的輸入數(shù)據(jù)。關(guān)于訓(xùn)練和預(yù)測(cè)的詳細(xì)內(nèi)容將在2.2節(jié)和2.3節(jié)中分別進(jìn)行描述和討論。

2.2 訓(xùn)練

2.3 預(yù)測(cè)

3 預(yù)測(cè)結(jié)果分析

Station1站內(nèi)環(huán)境參數(shù)的預(yù)測(cè)結(jié)果如圖3所示，圖中紅色實(shí)線代表環(huán)境參數(shù)真實(shí)值，灰色虛線條代表概率預(yù)測(cè)的均值；陰影部分代表預(yù)測(cè)不同的概率區(qū)間。

表3 真實(shí)值在不同預(yù)測(cè)區(qū)間的分布

如表3所示，我們計(jì)算了Station1車(chē)站9個(gè)環(huán)境參數(shù)的真實(shí)值在2個(gè)區(qū)間內(nèi)的分布比例，并計(jì)算出所有參數(shù)分布在不同區(qū)間的平均值，在最后一行列出。結(jié)果表明，2個(gè)區(qū)間的真實(shí)值分布比例平均為85.51%、96.85%，同時(shí)，如圖3所示，環(huán)境參數(shù)的真實(shí)值大部分在概率預(yù)測(cè)模型的概率區(qū)間內(nèi)。預(yù)測(cè)結(jié)果都包含在概率預(yù)測(cè)模型預(yù)測(cè)的正態(tài)分布范圍內(nèi)，這意味著我們的模型所預(yù)測(cè)的正態(tài)分布能夠有效地覆蓋預(yù)測(cè)變量的變化范圍，并給出不同的概率區(qū)間。

4 結(jié)論

基于自回歸LSTM網(wǎng)絡(luò)，本文提出了一種地鐵車(chē)站環(huán)境參數(shù)概率預(yù)測(cè)方法，利用外部變量和地鐵站中預(yù)測(cè)變量的歷史數(shù)據(jù)來(lái)預(yù)測(cè)站內(nèi)環(huán)境參數(shù)未來(lái)時(shí)刻的概率分布，并使用地鐵車(chē)站現(xiàn)場(chǎng)采集的觀測(cè)數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證。最終，得到以下結(jié)論：

（1）本文提出的模型可以在過(guò)去數(shù)據(jù)和未來(lái)數(shù)據(jù)之間建立條件分布，其預(yù)測(cè)結(jié)果是一系列包含均值和標(biāo)準(zhǔn)差的高斯分布。與傳統(tǒng)的點(diǎn)預(yù)測(cè)方法相比，概率預(yù)測(cè)方法還可以提供其他信息，例如，預(yù)測(cè)變量數(shù)值分布得上邊界和下邊界以及對(duì)應(yīng)的概率。

（2）本文實(shí)驗(yàn)通過(guò)計(jì)算落在2個(gè)概率區(qū)間內(nèi)的實(shí)際值的頻率以證明模型的可靠性，結(jié)果表明，在2個(gè)概率區(qū)間內(nèi)，平均分布有85.51%，96.85%的實(shí)際值，預(yù)測(cè)的高斯分布能夠表示未來(lái)時(shí)刻的環(huán)境參數(shù)值的變化范圍。

[1] Martins V, Moreno T, Minguillón, María Cruz, et al. Exposure to airborne particulate matter in the subway system[J]. Science of The Total Environment, 2015,511: 711-722.

[2] Kim M J, Sankararao B, Kang O Y, et al. Monitoring and prediction of indoor air quality (IAQ) in subway or metro systems using season dependent models[J]. Energy and Buildings, 2012,46(none):48-55.

[3] Liu H, Lee S C, Kim M J, et al. Multi-objective optimization of indoor air quality control and energy consumption minimization in a subway ventilation system[J]. Energy and Buildings, 2013,66:553-561.

[4] Kim M J, Braatz R D, Kim J T, et al. Indoor air quality control for improving passenger health in subway platforms using an outdoor air quality dependent ventilation system[J]. Building and Environment, 2015,92(oct.):407-417.

[5] 蘇華,徐來(lái)福,田勝元.用神經(jīng)網(wǎng)絡(luò)擬合逐時(shí)氣象參數(shù)[J].制冷與空調(diào),2005(z1):37-40.

[6] 段淇倡,劉順波,周光偉.補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的改進(jìn)及其在通風(fēng)空調(diào)故障診斷中的應(yīng)用[J].制冷與空調(diào),2013(2):121-125.

[7] 王石,易佳婷.人工神經(jīng)網(wǎng)絡(luò)-研究制冷系統(tǒng)的新方法[J].制冷與空調(diào),2005,5(2):47-51.

[8] Bo Y, Yao C, Lin Z, et al. Beam Structure Damage Identification Based on BP Neural Network and Support Vector Machine[J]. Mathematical Problems in Engineering, 2014:1-8.

[9] Xiao-Ping B, Hong L I, Qi-Ming Z, et al. Progress of Research on Artificial Neural Network in Air Pollution Prediction[J]. Science & Technology Review, 2006, 24(12):77-81.

[10] Chen Q C Q, Shao Y S Y. The Application of Improved BP Neural Network Algorithm in Urban Air Quality Prediction: Evidence from China[C]. Workshop on Computational Intelligence & Industrial Application, IEEE Computer Society, 2008.

[11] Wang F, Cheng S Y, Li M J, et al. Optimizing BP networks by means of genetic algorithms in air pollution prediction[J]. Beijing Gongye Daxue Xuebao / Journal of Beijing University of Technology, 2009,35(9):1230- 1234.

[12] Lu T, Viljanen M. Prediction of indoor temperature and relative humidity using neural network models: model comparison[J]. Neural Computing & Applications, 2009,18(4):345-357.

[13] Kamal M M, Jailani R, Shauri R L A. Prediction of Ambient Air Quality Based on Neural Network Technique[C]. Research and Development, 2006. SCOReD 2006. 4th Student Conference on. IEEE, 2006.

[14] Bodri L, V. ?ermák. Prediction of Surface Air Temperatures by Neural Network, Example Based on Three-Year Temperature Monitoring at Spo?ilov Station[J]. Studia Geophysica et Geodaetica, 2003,47(1): 173-184.

[15] Kim M H, Kim Y S, Lim J J, et al. Data-driven prediction model of indoor air quality in an underground space[J]. Korean Journal of Chemical Engineering, 2010,27(6): 1675-1680.

[16] Lim J J, Kim Y S, Oh T S, et al. Analysis and prediction of indoor air pollutants in a subway station using a new key variable selection method[J]. Korean Journal of Chemical Engineering, 2012,29(8):994-1003.

[17] Hongquan Q, Shuo F, Liping P, et al. Rapid Temperature Prediction Method for Electronic Equipment Cabin[J]. Applied Thermal Engineering, 2018,138.

[18] Valentin Flunkert, David Salinas, Jan Gasthaus. Deepar: Probabilistic forecasting with autoregressive recurrent networks[J]. arXiv preprint arXiv:1704.04110, 2017.

[19] Buizza R. The value of probabilistic prediction[J]. Atmospheric Science Letters, 2008,9.

[20] Gneiting, Tilmann, Katzfuss, Matthias. Probabilistic Forecasting[J]. Social Science Electronic Publishing, 2014,(1):125-151.

[21] Aznarte, José L. Probabilistic forecasting for extreme NO2, pollution episodes[J]. Environmental Pollution, 2017, 229:321-328.

[22] Pukelsheim Friedrich. The Three Sigma Rule[J]. American Statistician, 1994,48(2):88-91.

Probabilistic Forecasting of Metro Station Environmental Parameters Based on Autoregressive LSTM Network

Qu Hongquan1Li Bo1Pang Liping2Liang Siyuan2

( 1. School of Information Science and Technology, North China University of Technology, Beijing, 100144;2. School of Aeronautic Science and Engineering, Beijing, 100191 )

In the metro station which is crowded with people, it is very important to predict the changes of environmental parameters in the future for the normal operation of trains and the safety of passengers. Compared with the traditional point prediction method, this paper proposes a probabilistic forecasting method based on autoregressive LSTM network. Different from the point prediction, the probabilistic forecasting model gives the probability density function of the prediction variable at the next moment, and calculates the uncertainty of the environmental parameter’s prediction, which is of great significance for the station to respond to the emergency in advance. The proposed model in this paper uses the historical data of the prediction variables and the external environmental parameters as the input variables to predict the probability density function of the environmental parameters at the next time, so as to obtain the information of the changing range and quantiles. In order to verify the accuracy of the method, we collected the environmental parameter data of 3 subway stations, and used the probabilistic forecasting method to predict. The results show that the method can not only predict the most likely environmental parameters prediction results, but also predict the probability of extreme cases, which is of great significance for the prevention of emergency accidents and decision-making.

metro station; environmental parameters; probabilistic forecasting; LSTM network

1671-6612（2020）06-676-06

X820

A

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2017YFB1201100）資助項(xiàng)目；遼寧省“興遼英才計(jì)劃”項(xiàng)目資助（XLYC1802092）

曲洪權(quán)（1973-），男，博士，教授，研究方向?yàn)閿?shù)據(jù)科學(xué)，E-mail：qhqphd@ncut.edu.cn

龐麗萍（1973-），女，博士，教授，研究方向?yàn)槿藱C(jī)與環(huán)境工程，E-mail：pangliping@buaa.edu.cn

2020-03-19