(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211258130.6 (22)申请日 2022.10.14 (71)申请人 南京国电南自轨道交通工程有限公 司 地址 210009 江苏省南京市 鼓楼区新模范 马路38号 (72)发明人 李佑文　张玥　马少伟　褚红健　 蔡一磊　王声柱　 (74)专利代理 机构 南京知识律师事务所 32 207 专利代理师 张宇 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/14(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/08(2020.01) (54)发明名称 一种基于多周期特征的LSTM-SVR地铁车站 温度预测方法 (57)摘要 本发明公开了一种基于多周期特征的LSTM ‑ SVR地铁车站温度预测方法， 先检查数据完整性， 通过离散傅里叶变换， 再分析幅频响应曲线中周 期性和能量密度， 取幅值明显处于峰值的周 期。 然后运用时间序列分解模型， 对数据做滑动平 均， 消除最大周 期波动， 再观察残差的傅里叶频 谱， 对明显的峰值继续消除周期性。 其中， 长趋势 数据用LSTM训练模型、 对非线性特征具有较好的 预测精度， 周期性特征数据用SVR模型训练， 速度 快， 特征维度较小， 不容意导致过拟合， 并提出改 进的时间序列分解法， 将周期波动继续分解出周 期分量和残差余项， 进一步提取其余周期项分量 后构建周期波动因素的预测模型。 权利要求书4页 说明书9页 附图5页 CN 115329682 A 2022.11.11 CN 115329682 A 1.一种基于多周期特征的LSTM ‑SVR地铁车站温度预测方法， 其特征在于： 将温度时间 序列数据做离散傅里叶变换， 根据频谱 峰值提取明显处于峰值的周期特征； 按最大幅值周 期做滑动平均， 消除周期性， 做特征工程， 再训练LSTM模 型， 对长期趋势和循环波动做预测； 然后将原 时间序列数据与滑动平均值做商， 得到周期性特征序列， 根据其傅里叶变化频谱 分析其剩余周期性， 并提取剩余周期特征， 做特征工程， 训练SVR模型， 同时改进时间序列分 解法， 对周期性做预测， 将结果叠加得到预测值。 2.根据权利要求1所述一种基于多周期特征的LSTM ‑SVR地铁车站温度预测方法， 其特 征在于， 具体包括以下步骤： 步骤1： 进行训练集特征值分离， 并通过循环交叉验证和参数优化不断训练LSTM ‑SVR模 型; 步骤2： 采用改进的时间序列分解预测模型构建周期波动因素， 并叠加预测结果输出。 3.根据权利要求2所述一种基于多周期特征的LSTM ‑SVR地铁车站温度预测方法， 其特 征在于： 所述 步骤1包括： 步骤101： 对温度时间序列数据做离散傅里叶变换， 得到其不同频率分量的幅值； 离散 傅里叶变换公式为： 其中， 是长度为 N的有限长序列， 是序列中各点对应的频谱； 步骤102： 结合时间序列分解法， 提取 各个特征分量； 时间序列特 征Yt， 利用分解法分为四个因素， 且 存在以下关系： 长期趋势因素Tt： 表示时间序列在较长持续期内表现出来的总态势， 由现象内在的根本 性的、 本质因素决定的， 支配着现象沿着一个方向持续上升、 下降或在原有水平上起伏波 动； 周期波动因素St： 表示由于自然季节因素或人文习惯季节因素更替的影响， 时间序列随 季节更替而呈现的周期性变动； 循环波动因素Ct： 表示时间序列中以若干年为周期、 上升与下降交替出现的循环往复的 运动； 不规则波动因素It： 表示时间序列由于受偶然性因素的影响而表现出的不 规则波动； 时间序列分解法采用乘法模型， 即 ； 并且乘法模型具备以下特权　利　要　求　书 1/4 页 2 CN 115329682 A 2征： St具有周期性， ， 表示时间序列数据的 滑动平均值； ， 对It变量做滑动平均将消除大部分随机性； It是独立随机变量 序列， 服从均值 为0的正态分布； 步骤103： 对于长期趋势因素Tt， 采用LSTM训练模型； 所述LSTM训练模型包括遗 忘门， 输入门和输出门， 能够 在更长的序列中有好的表现； 遗忘门： ； 输入门： ； 根据上一次的输出和本次输入来计算当前输入的单 元状态： 输出门： ； 输出量： ； 其中， 运算符号 表示Sigmoid激活函数， 输出0到1之间的数值， 运算符号 ×表示矩阵 按元素相乘， 表示上一时刻LSTM的输出， 表示上一时刻LSTM的状态， 表示当 前时刻的输入， 表示遗忘门对当前时刻 的更新值， 表示输入门对当前时刻 的更新值， 表示输出门对当前时刻 的更新值， 和 分别表示它 们各自的更新权 重矩阵和偏置量； LSTM训练模型与BP神经网络一样具有误差反向传播的特点， 利用链式求导到每个权重 的梯度， 通过不断训练样本， 利用随机梯度下降更新矩阵权 重找到全局最优解； 步骤104： 对于循环波动因素Ct和周期波动因素St， 采用SVR训练模型； 由于地铁车站温度数据平稳性好， 循环波动因素Ct和周期波动因素St的非线性特征和 周期特征明显， 且维度小， 因此对于采用SVR算法训练Ct和St数据模型， 其泛化 能力强， 能够 有效避免过拟合问题； SVR算法的思路是利用核函数将线性不可分的低 维空间数据分映射 到高维空间， 进 而实现线性回归。 4.根据权利要求2所述的一种基于多周期特征的LSTM ‑SVR地铁车站温度预测方法， 其 特征在于， 所述 步骤2具体为： 步骤201： 采用改进的时间序列分解预测模型构建周期波动因素St； 将周期波动继续分解出周期分量和残差余项， 并提取其余周期项分量后构建周期波动 因素的预测模型；权　利　要　求　书 2/4 页 3 CN 115329682 A 3