基于自回歸LSTM神經網絡的地鐵車站環境參數概率預測

曲洪權 李 博 龐麗萍 梁思遠

基于自回歸LSTM神經網絡的地鐵車站環境參數概率預測

曲洪權1李 博1龐麗萍2梁思遠1

（1.北方工業大學信息學院北京 100144；2.北京航空航天大學航空科學與工程學院北京 100191）

在地鐵車站這種人員密集的場景中，預測未來一段時間內的環境參數變化對于列車正常運行和乘客安全有重要意義。和傳統的點預測方法相比，提出了一種基于自回歸循環LSTM網絡的概率預測方法。不同于點預測，概率預測給出預測變量在下一時刻的概率密度函數，考慮了地鐵車站環境參數預測的不確定性，對于站內提前、可靠對緊急情況做出反應有重要的意義。提出的預測模型，將預測變量的歷史數據和車站外部環境參數作為輸入變量來預測的環境參數的下一時刻的概率密度函數，進而得到下一時刻該環境參數的變化范圍和分位數等信息。為了驗證所提方法的準確性，收集了3個地鐵站的環境參數數據，并使用概率預測方法進行了預測。結果顯示，提出的方法不僅可以預測最可能的環境參數預測結果，而且可以預測極端情況的發生概率，對于預防緊急事故和決策有重要意義。

地鐵車站；環境參數；概率預測；LSTM網絡

0 引言

在城市地區，地鐵是解決交通擁堵問題的最有效的公共交通方式之一，同時，乘客數量隨著地鐵的發展不斷增加[1-3]。由于地鐵車站大部分處于地下空間，通風條件差，污染物容易在站內沉淀，對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境趨勢，并建立一個相對準確的模型來預測地鐵站的環境參數[4]。

近年來，神經網絡因其強大的非線性擬合能力的優勢被廣泛應用在環境參數預測研究中，這種方法不需要大多數關于過程機制的基本知識，通過實驗數據即可建模[5-8]。許多研究者們使用神經網絡建模預測環境參數，并取得了很好的效果[9-12]。Kamal等人證明人工神經網絡(ANN)可以簡化和加快環境空氣質量的計算[13]。Bodri等人使用ANN模型預測一天的地面氣溫（SAT），模型預測結果與實測數據非常接近[14]。Kim等人的研究結果表明，在室內空氣質量預測中，與其他數據驅動的預測模型相比，遞歸神經網絡（RNN）模型可以提供更好的建模性能和更高的可解釋性，并證明了關鍵變量選擇的重要作用[15]。Lim等人提出了一種新的關鍵變量選擇方法，并進一步揭示了關鍵變量對預測的重要性[16]。Qu等人開發了一種基于滑動時間窗的隨機矢量功能鏈接神經網絡（RVFLNN）的建模方法，并解決了大數據計算速度慢的問題[17]。

上述方法的預測目標是在每個時間步驟中預測一個準確的值。但是，實踐中的結果可能會受到許多因素的影響，預測環境參數的概率分布可能更合理[18-20]。Aznarte等人研究了利用分位數回歸法預測NO2極端濃度，并改進了概率預測方法[21]。對于地鐵站內環境而言，環境參數的概率預測也具有重要作用。通常，預測地鐵環境參數的目的是判斷未來一段時間內的污染濃度是否超過最大允許濃度，更加關注于污染物超標的發生概率。因此，本文提出了一種基于自回歸LSTM網絡的概率預測方法，輸入外部參數和預測參數的歷史數據，預測地鐵站內環境參數的概率分布，為地鐵車站的環境控制提供重要支持。

1 地鐵車站現場數據采集與處理

1.1 設備簡介

地鐵車站現場數據采集使用的實驗設備為CPR-KA空氣質量監測儀，如圖1所示。該設備采用泵吸式采樣方式，采樣方式為300ml/min，數據記錄間隔為2分鐘/次，共監測6種參數，測量范圍和分辨率如表1所示。

圖1 一體化綜合監測設備

表1 設備參數

1.2 地鐵測試車站類型及測試時間

（1）實驗選定3個車站作為測試站點，如表2所示，分別為Station1、Station2、Station3，并且為了保證測試結果的多樣性，我們選定的車站包含普通站和換乘站，全高屏蔽門和半高屏蔽門，每個車站的類型均不相同。測試期間，每個車站測試時間為1天，一體化綜合監測設備均放置在站臺中間，距離地面高度為1.2m，如圖2所示。

表2 測試站點

（2）為了分析車站環境參數的變化以及其影響因素，我們收集了測試當天的車站客流量和列車發車頻率（由地鐵運營公司提供）以及大氣氣象數據（室外大氣溫度，室外大氣相對濕度，來自中國氣象數據網http://data.cma.cn/）。大氣環境數據（室外PM10，室外CO，室外NO2，室外SO2，來自空氣質量歷史數據http://beijingair.sinaapp.com/），總計8種外部變量。

圖2 設備放置地點

圖2中，左圖紅色點標記了設備的擺放位置，右圖為車站現場照片。經過以上所有測試，我們獲得1260組觀測值，時間間隔2分鐘，包括9種站內環境參數，8種外部影響參數，并對所有數據進行預處理操作，包括補充缺失值，異常值處理，歸一化以及去噪，保證數據的可靠性。

2 概率預測模型

2.1 網絡模型

將站內環境參數未來時刻的預測視作構建一個條件分布，本文提出的模型可以用如下公式（1）表示：

針對于每一個時間點的預測而言，模型可以寫成如下公式（2）的形式：

均值的計算：

標準差的計算：

對于訓練和預測過程，它們的網絡結構是相同的。對于訓練過程，的值是已知的，但在預測過程中是未知的。為了繼續預測，需要從最后一個時間步長的分布中得到一個采樣值，作為下一步預測的輸入數據。關于訓練和預測的詳細內容將在2.2節和2.3節中分別進行描述和討論。

2.2 訓練

2.3 預測

3 預測結果分析

Station1站內環境參數的預測結果如圖3所示，圖中紅色實線代表環境參數真實值，灰色虛線條代表概率預測的均值；陰影部分代表預測不同的概率區間。

表3 真實值在不同預測區間的分布

如表3所示，我們計算了Station1車站9個環境參數的真實值在2個區間內的分布比例，并計算出所有參數分布在不同區間的平均值，在最后一行列出。結果表明，2個區間的真實值分布比例平均為85.51%、96.85%，同時，如圖3所示，環境參數的真實值大部分在概率預測模型的概率區間內。預測結果都包含在概率預測模型預測的正態分布范圍內，這意味著我們的模型所預測的正態分布能夠有效地覆蓋預測變量的變化范圍，并給出不同的概率區間。

4 結論

基于自回歸LSTM網絡，本文提出了一種地鐵車站環境參數概率預測方法，利用外部變量和地鐵站中預測變量的歷史數據來預測站內環境參數未來時刻的概率分布，并使用地鐵車站現場采集的觀測數據對模型進行了驗證。最終，得到以下結論：

（1）本文提出的模型可以在過去數據和未來數據之間建立條件分布，其預測結果是一系列包含均值和標準差的高斯分布。與傳統的點預測方法相比，概率預測方法還可以提供其他信息，例如，預測變量數值分布得上邊界和下邊界以及對應的概率。

（2）本文實驗通過計算落在2個概率區間內的實際值的頻率以證明模型的可靠性，結果表明，在2個概率區間內，平均分布有85.51%，96.85%的實際值，預測的高斯分布能夠表示未來時刻的環境參數值的變化范圍。

[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,徐來福,田勝元.用神經網絡擬合逐時氣象參數[J].制冷與空調,2005(z1):37-40.

[6] 段淇倡,劉順波,周光偉.補償模糊神經網絡的改進及其在通風空調故障診斷中的應用[J].制冷與空調,2013(2):121-125.

[7] 王石,易佳婷.人工神經網絡-研究制冷系統的新方法[J].制冷與空調,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

國家重點研發計劃（2017YFB1201100）資助項目；遼寧省“興遼英才計劃”項目資助（XLYC1802092）

曲洪權（1973-），男，博士，教授，研究方向為數據科學，E-mail：qhqphd@ncut.edu.cn

龐麗萍（1973-），女，博士，教授，研究方向為人機與環境工程，E-mail：pangliping@buaa.edu.cn

2020-03-19