基于廣義回歸神經(jīng)網(wǎng)絡(luò)的地鐵屏蔽門通風(fēng)量預(yù)測研究

陳薈多 ,周東一,2 ,肖湘華

（1.邵陽學(xué)院機(jī)械與能源工程學(xué)院,湖南 邵陽 422000；2.邵陽學(xué)院高效動力系統(tǒng)智能制造湖南省重點實驗室,湖南 邵陽 422000）

1 緒論

在地鐵實際運營過程中，車站站廳與地鐵隧道之間不斷進(jìn)行氣體交換，其中列車停站屏蔽門開啟階段由于地鐵隧道的活塞效應(yīng)，大量氣流會沿著地鐵屏蔽門流入站廳。這些氣流不僅會影響乘客的舒適度，還會加大地鐵環(huán)控系統(tǒng)的負(fù)擔(dān)。當(dāng)前，國內(nèi)外學(xué)者對地鐵通風(fēng)的研究主要集中在地鐵站廳的空調(diào)系統(tǒng)[1-2]以及地鐵隧道風(fēng)井通風(fēng)系統(tǒng)[3-4]方面。例如，劉垚等（2019）采用一維仿真的方式對地鐵車站活塞風(fēng)井的換氣量進(jìn)行了數(shù)值模擬，利用擬合的方式得到了活塞風(fēng)井進(jìn)出風(fēng)量的變化曲線[5]；姜金言等（2016）對地鐵通風(fēng)空調(diào)系統(tǒng)進(jìn)行了研究，分析了地鐵通風(fēng)節(jié)能措施[6]。前人研究較少涉及地鐵屏蔽門系統(tǒng)的通風(fēng)換氣相關(guān)內(nèi)容。

為了保證乘客的舒適度，減輕地鐵環(huán)控系統(tǒng)耗能，本文引入了廣義回歸神經(jīng)網(wǎng)絡(luò)模型來對地鐵屏蔽門通風(fēng)量進(jìn)行實時預(yù)測。

2 理論基礎(chǔ)

2.1 GRNN理論基礎(chǔ)

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的改進(jìn)之一，具有很強(qiáng)的非線性映射能力，常用于樣本數(shù)據(jù)少的數(shù)據(jù)集預(yù)測，數(shù)據(jù)預(yù)測效果好[7-8]。因此本文采用廣義回歸神經(jīng)網(wǎng)絡(luò)模型對地鐵屏蔽門通風(fēng)量進(jìn)行預(yù)測。

廣義回歸神經(jīng)網(wǎng)絡(luò)的核心是進(jìn)行非線性回歸分析。利用聯(lián)合概率密度函數(shù)F（x,y）來預(yù)測輸出值。在聯(lián)合概率密度函數(shù)F（x,y）中，x和y為自變量，X為x的觀測值，則y相對于X回歸，即條件均值為：

根據(jù)上述表達(dá)式可知，GRNN模型的誤差主要由平滑因子決定。因此，GRNN模型只須通過調(diào)整平滑因子便可調(diào)整獲得相對較好的預(yù)測性能，具有可操作性。

2.2 GRNN網(wǎng)絡(luò)結(jié)構(gòu)

GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。根據(jù)圖1可以看出，該模型主要由四層結(jié)構(gòu)組成，分別是輸入層、模式層、求和層以及輸出層。

圖1 廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

（1）輸入層

輸入層的神經(jīng)元個數(shù)等于學(xué)習(xí)樣本總輸入向量的維數(shù)，直接將變量傳遞到模式層。

（2）模式層

模式層神經(jīng)元數(shù)目為學(xué)習(xí)樣本的數(shù)目n，每個神經(jīng)元對應(yīng)不同的樣本，該層神經(jīng)元傳遞函數(shù)表達(dá)式為：

式中，X為網(wǎng)絡(luò)輸入變量；Xi為第i個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本。

（3）求和層

求和層使用兩種類型神經(jīng)元進(jìn)行求和。

①第一類是對所有模式層神經(jīng)元的輸出進(jìn)行算數(shù)求和，其模式層與各個神經(jīng)元連接權(quán)值為1，其計算公式和傳遞函數(shù)分別如式（5）（6）所示。

②第二類是對所有模式層的神經(jīng)元進(jìn)行加權(quán)求和，模式層中第i個神經(jīng)元與求和層第j個分子求和神經(jīng)元之間的連接權(quán)值為第i個輸出樣本Yj中的第j個元素，其計算公式和傳遞函數(shù)分別如式（7）（8）所示。

（4）輸出層

輸出層中神經(jīng)元個數(shù)等于學(xué)習(xí)樣本中輸出向量的維數(shù)k，各神經(jīng)元將求和層的輸出相除，神經(jīng)元j的輸出對應(yīng)估計結(jié)果的第j個元素，即：

3 算法仿真

3.1 數(shù)據(jù)處理

本文采取廣義回歸神經(jīng)網(wǎng)絡(luò)算法對地鐵屏蔽門通風(fēng)量進(jìn)行預(yù)測，根據(jù)地鐵通風(fēng)仿真實驗隨機(jī)選取50組仿真數(shù)據(jù)作為樣本數(shù)據(jù)，其中45組數(shù)據(jù)為訓(xùn)練集，其余5組為測試集。

在所建GRNN模型中，選取屏蔽門處所測得的風(fēng)速和行進(jìn)地鐵列車離屏蔽門的距離為輸入變量，輸出變量為屏蔽門通風(fēng)量。樣本數(shù)據(jù)如表1所示。

表1 樣本數(shù)據(jù)

3.2 參數(shù)設(shè)置

在廣義回歸神經(jīng)網(wǎng)絡(luò)模型中，數(shù)據(jù)預(yù)測結(jié)果的精度取決于平滑因子的設(shè)置，所設(shè)置的值越好，數(shù)據(jù)預(yù)測結(jié)果越精確。因此，本文采用交叉驗證的方式來選取平滑因子，將訓(xùn)練樣本數(shù)據(jù)隨機(jī)劃分10份，其中9份數(shù)據(jù)用于訓(xùn)練數(shù)據(jù)集，剩余1份數(shù)據(jù)驗證數(shù)據(jù)集，核對每個值對應(yīng)的測試誤差，搜尋輸出值與實際值的最小均方差對應(yīng)的平滑因子，得到最佳平滑因子為0.1。

3.3 網(wǎng)絡(luò)訓(xùn)練及結(jié)果分析

將數(shù)據(jù)集代入本文所構(gòu)建的廣義回歸神經(jīng)網(wǎng)絡(luò)屏蔽門通風(fēng)量預(yù)測模型中，訓(xùn)練集所得通風(fēng)量預(yù)測結(jié)果如圖2所示。

根據(jù)圖2可知，訓(xùn)練集預(yù)測值與實際值變化規(guī)律基本一致，預(yù)測值平均準(zhǔn)確率為99.45%，其中最大差值為97.77 m3/h，最小差值為7.65 m3/h。

圖2 訓(xùn)練集預(yù)測結(jié)果

測試集所得通風(fēng)量預(yù)測結(jié)果如圖3所示。

根據(jù)圖3可知，測試集預(yù)測值與實際值變化規(guī)律基本一致，預(yù)測值平均準(zhǔn)確率為99.69%，其中最大差值為96.37 m3/h，最小差值為0.54 m3/h。

圖3 測試集預(yù)測結(jié)果

3.4 模型評估

為了對本預(yù)測模型有一個系統(tǒng)、精準(zhǔn)的評價，本文引入回歸評價指標(biāo)中的決定系數(shù)，該值越接近1代表模型越好，該評價值指標(biāo)數(shù)學(xué)公式如式（10）。

根據(jù)公式（10）計算出本文。一般求得值大于0.95則認(rèn)為該模型擬合程度高，模型預(yù)測值準(zhǔn)確可靠。因此，本文所建廣義回歸神經(jīng)網(wǎng)絡(luò)模型能準(zhǔn)確、有效地對地鐵屏蔽門通風(fēng)量進(jìn)行預(yù)測。

4 結(jié)論

本文建立了基于廣義回歸神經(jīng)網(wǎng)絡(luò)的地鐵屏蔽門通風(fēng)量預(yù)測模型，該模型通過輸入變量風(fēng)速與車距來預(yù)測地鐵屏蔽門的通風(fēng)量，實驗所得結(jié)果為該模型訓(xùn)練集平均準(zhǔn)確度為99.45%，測試集準(zhǔn)確度為99.69%，并通過計算該模型回歸系數(shù)得到。綜上表明，本文所建通風(fēng)量預(yù)測模型準(zhǔn)確、有效。