典型文献
基于动态客流量模型的地铁车站空调负荷预测
文献摘要：
为了准确预测地铁车站的空调负荷,首先通过地铁车站能耗监测平台的历史数据分析,识别得到客流量和室外气象参数是主要影响因素.其次利用车站CO2体积浓度逐时监测数据建立客流量神经网络预测模型,并与闸机数据对比,预测模型的复相关系数R2可达0.87.以客流量预测为基础,建立了车站空调负荷预测模型,并比较了不同时间尺度训练数据下误差反向传播神经网络算法和支持向量机算法的预测效果,两种算法的R2达到了0.95以上,均方根误差在70～90 kW之间,预测精度较高,但支持向量机算法的运算时间是误差反向传播神经网络算法的3～4倍左右,推荐数据量较大时优先选择神经网络算法.
文献关键词：
地铁车站;客流量;神经网络;支持向量机;负荷预测
中图分类号：
作者姓名：
苏醒;王磊;田少宸;秦旭
作者机构：
同济大学机械与能源工程学院,上海201804;同济大学工程结构性能演化与控制教育部重点实验室,上海200092;广州地铁设计研究院股份有限公司节能和环保技术中心,广东广州510010
文献出处：
引用格式：
[1]苏醒;王磊;田少宸;秦旭-.基于动态客流量模型的地铁车站空调负荷预测)[J].同济大学学报（自然科学版）,2022(01):114-120
A类：
B类：
动态客流,流量模型,地铁车站,空调负荷,准确预测,测地,能耗监测平台,历史数据,室外气象参数,用车,体积浓度,神经网络预测模型,闸机,数据对比,复相关系数,客流量预测,负荷预测模型,不同时间尺度,训练数据,误差反向传播神经网络,神经网络算法,支持向量机算法,kW,运算时间,推荐数,数据量,优先选择
AB值：
0.284728
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
