基于广义回归神经网络的地铁屏蔽门通风量预测研究

陈荟多 ,周东一,2 ,肖湘华

（1.邵阳学院机械与能源工程学院,湖南 邵阳 422000；2.邵阳学院高效动力系统智能制造湖南省重点实验室,湖南 邵阳 422000）

1 绪论

在地铁实际运营过程中，车站站厅与地铁隧道之间不断进行气体交换，其中列车停站屏蔽门开启阶段由于地铁隧道的活塞效应，大量气流会沿着地铁屏蔽门流入站厅。这些气流不仅会影响乘客的舒适度，还会加大地铁环控系统的负担。当前，国内外学者对地铁通风的研究主要集中在地铁站厅的空调系统[1-2]以及地铁隧道风井通风系统[3-4]方面。例如，刘垚等（2019）采用一维仿真的方式对地铁车站活塞风井的换气量进行了数值模拟，利用拟合的方式得到了活塞风井进出风量的变化曲线[5]；姜金言等（2016）对地铁通风空调系统进行了研究，分析了地铁通风节能措施[6]。前人研究较少涉及地铁屏蔽门系统的通风换气相关内容。

为了保证乘客的舒适度，减轻地铁环控系统耗能，本文引入了广义回归神经网络模型来对地铁屏蔽门通风量进行实时预测。

2 理论基础

2.1 GRNN理论基础

广义回归神经网络（GRNN）是径向基函数神经网络的改进之一，具有很强的非线性映射能力，常用于样本数据少的数据集预测，数据预测效果好[7-8]。因此本文采用广义回归神经网络模型对地铁屏蔽门通风量进行预测。

广义回归神经网络的核心是进行非线性回归分析。利用联合概率密度函数F（x,y）来预测输出值。在联合概率密度函数F（x,y）中，x和y为自变量，X为x的观测值，则y相对于X回归，即条件均值为：

根据上述表达式可知，GRNN模型的误差主要由平滑因子决定。因此，GRNN模型只须通过调整平滑因子便可调整获得相对较好的预测性能，具有可操作性。

2.2 GRNN网络结构

GRNN网络结构如图1所示。根据图1可以看出，该模型主要由四层结构组成，分别是输入层、模式层、求和层以及输出层。

图1 广义回归神经网络结构图

（1）输入层

输入层的神经元个数等于学习样本总输入向量的维数，直接将变量传递到模式层。

（2）模式层

模式层神经元数目为学习样本的数目n，每个神经元对应不同的样本，该层神经元传递函数表达式为：

式中，X为网络输入变量；Xi为第i个神经元对应的学习样本。

（3）求和层

求和层使用两种类型神经元进行求和。

①第一类是对所有模式层神经元的输出进行算数求和，其模式层与各个神经元连接权值为1，其计算公式和传递函数分别如式（5）（6）所示。

②第二类是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个分子求和神经元之间的连接权值为第i个输出样本Yj中的第j个元素，其计算公式和传递函数分别如式（7）（8）所示。

（4）输出层

输出层中神经元个数等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即：

3 算法仿真

3.1 数据处理

本文采取广义回归神经网络算法对地铁屏蔽门通风量进行预测，根据地铁通风仿真实验随机选取50组仿真数据作为样本数据，其中45组数据为训练集，其余5组为测试集。

在所建GRNN模型中，选取屏蔽门处所测得的风速和行进地铁列车离屏蔽门的距离为输入变量，输出变量为屏蔽门通风量。样本数据如表1所示。

表1 样本数据

3.2 参数设置

在广义回归神经网络模型中，数据预测结果的精度取决于平滑因子的设置，所设置的值越好，数据预测结果越精确。因此，本文采用交叉验证的方式来选取平滑因子，将训练样本数据随机划分10份，其中9份数据用于训练数据集，剩余1份数据验证数据集，核对每个值对应的测试误差，搜寻输出值与实际值的最小均方差对应的平滑因子，得到最佳平滑因子为0.1。

3.3 网络训练及结果分析

将数据集代入本文所构建的广义回归神经网络屏蔽门通风量预测模型中，训练集所得通风量预测结果如图2所示。

根据图2可知，训练集预测值与实际值变化规律基本一致，预测值平均准确率为99.45%，其中最大差值为97.77 m3/h，最小差值为7.65 m3/h。

图2 训练集预测结果

测试集所得通风量预测结果如图3所示。

根据图3可知，测试集预测值与实际值变化规律基本一致，预测值平均准确率为99.69%，其中最大差值为96.37 m3/h，最小差值为0.54 m3/h。

图3 测试集预测结果

3.4 模型评估

为了对本预测模型有一个系统、精准的评价，本文引入回归评价指标中的决定系数，该值越接近1代表模型越好，该评价值指标数学公式如式（10）。

根据公式（10）计算出本文。一般求得值大于0.95则认为该模型拟合程度高，模型预测值准确可靠。因此，本文所建广义回归神经网络模型能准确、有效地对地铁屏蔽门通风量进行预测。

4 结论

本文建立了基于广义回归神经网络的地铁屏蔽门通风量预测模型，该模型通过输入变量风速与车距来预测地铁屏蔽门的通风量，实验所得结果为该模型训练集平均准确度为99.45%，测试集准确度为99.69%，并通过计算该模型回归系数得到。综上表明，本文所建通风量预测模型准确、有效。