[发明专利]基于粒子群算法优化LSTM的地铁牵引能耗预测方法

说明书

本发明公开了一种基于粒子群算法优化LSTM的地铁牵引能耗预测方法，方法为：首先获取地铁牵引能耗原始数据，根据灰色关联分析法选取牵引能耗的影响因素作为模型的输入；然后将数据集分为训练集和测试集，对训练集数据进行归一化处理；接着用改进的粒子群算法优化LSTM神经网络预测模型的超参数，结合训练样本和所得的最优参数组合构建用于地铁牵引能耗预测的LSTM网络模型；最后将测试集输入回归预测模型，预测地铁下个时间段的牵引能耗值。本发明提高了LSTM神经网络超参数寻优的搜索能力，提高了地铁牵引能耗预测的准确率。

技术领域

本发明涉及城市轨道交通牵引能耗预测技术领域，特别是一种基于粒子群算法优化LSTM的地铁牵引能耗预测方法。

背景技术

城市轨道交通运营管理过程中，准确预测列车的牵引能耗有利于合理制定运输组织模式和评价牵引用能效率，成为辅助行业运营和服务的有力工具，并为进行节能优化研究提供支持。牵引能耗数据是时间序列数据，随着机器学习及深度学习的推进，对牵引能耗的预测方法也在不断改善。

在统计特性研究层面，有趋势外推法、线性回归、隐形马尔科夫预测模型及卡尔曼滤波等；在机器学习方法层面，通过挖掘历史数据隐含的信息，实现牵引能耗的迭代估计，支持向量机、决策树、随机森林、贝叶斯网络、小波理论、BP神经网络等不同模型都应用在牵引能耗预测中。

在深度学习中，LSTM因其特殊的网络结构，可以兼顾数据的时序性和非线性关系并弥补RNN的梯度消亡和长期记忆能力不足等问题，适合于地铁的牵引能耗预测，但该方法需要对LSTM神经网络的多种参数进行调整，才能拥有较高的预测精度。目前对于LSTM神经网络预测模型参数选取研究多是采用根据经验设置、遍历多网格搜索算法、控制变量精细调参，本质都是人工搜索寻找最优值，计算资源消耗量大。

发明内容

本发明的目的在于提供一种训练的收敛速度快、参数寻优的搜索能力强、地铁牵引能耗预测的准确率高的地铁牵引能耗预测方法。

实现本发明目的的技术解决方案为：一种基于粒子群算法优化LSTM的地铁牵引能耗预测方法，包括如下步骤：

步骤1：获取地铁牵引能耗原始数据；

步骤2：根据灰色关联分析法选取牵引能耗的影响因素作为模型的输入；

步骤3：将数据集划分为训练集和测试集，对训练集数据进行归一化处理；

步骤4：用改进的粒子群算法优化LSTM神经网络预测模型的超参数，结合训练样本和所得的最优参数组合构建用于地铁牵引能耗预测的LSTM网络模型；

步骤5：将测试集输入回归预测模型，预测地铁下个时间段的牵引能耗值。

进一步地，步骤1中所述的获取地铁牵引能耗原始数据，具体如下：

从SCADA系统中获取地铁牵引能耗原始数据，原始数据包括待预测日之前设定天数的地铁牵引能耗历史数据以及温度、客流、运行里程、开行列次的历史数据。

进一步地，步骤2所述的根据灰色关联分析法选取牵引能耗的影响因素作为模型的输入，具体如下：

步骤2.1：选取地铁日牵引能耗为参考数列，能耗的影响因素变量为比较数列，记为Z_i＝{z_i(k)|k＝1,2,…,n},i＝0,1,2,…m；

其中，z_i(k)为选取出来的参考数列和比较数列，将参考数列设为z₀(k)，i为参考数列和比较数列各自的编号，m为参考数列和比较数列的总数，k为选取数据的日期，n为总的天数；

步骤2.2：对地铁日牵引能耗与各影响因素进行无量纲化：

其中，为序列Z_i的算术平均值；