基于LSTM-LightGBM模型的车站环境温度预测

来源：计算机测量与控制杂志2022年第1期北京时间：

作者：张亚伟,陈瑞凤,徐春婕,杨国元,吕晓军,方凯

单位：中国铁道科学研究院集团有限公司电子计算技术研究所

摘要：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。

关键词：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

基金资助：国家自然科学基金项目（面上项目，重点项目，重大项目）,国家重点基础研究发展计划（973计划）