典型文献
基于LSTM— LightGBM模型的车站环境温度预测
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
张亚伟;陈瑞凤;徐春婕;杨国元;吕晓军;方凯
作者机构：
中国铁道科学研究院集团有限公司电子计算技术研究所,北京 100081
文献出处：
引用格式：
[1]张亚伟;陈瑞凤;徐春婕;杨国元;吕晓军;方凯-.基于LSTM— LightGBM模型的车站环境温度预测)[J].计算机测量与控制,2022(01):20-25
A类：
B类：
LightGBM,温度预测,火车站,环境特征变量,PM2,单变量预测,预测算法,准确预测,长短期记忆神经网络,梯度提升算法,客运站,预处理数据,PM10,输出预测,波形图,RMSE,组合模型预测,模型预测方法,非平稳,模型方法
AB值：
0.203611
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。
