基于PSO-RVM算法的地铁车站通风量需求预测方法

摘要：为提高地铁车站通风量需求预测的准确性，为地铁车站通风量的精准调控提供有力技术支持，以某地铁工程A车站为研究对象，提出通风设备安装施工要点，深入论述了基于地铁车站通风量需求的历史采集数据和PSO-RVM算法的通风量预测值的寻优过程。完成地铁A车站工程通风量需求预测后，将预测通风量与实际通风量进行对比分析，预测偏差没有超过规范允许的范围，证明本文提出的预测方法的可行性与有效性，为地铁车站的通风系统的设计和运行提供了更为可靠的参考依据。

关键词：地铁车站；PSO-RVM算法；通风量；预测值寻优

0" "引言

地铁作为现代都市公共交通体系的重要组成部分，承载着缓解地面交通拥堵、优化城市交通结构的重要任务。然而地铁系统的运行并不仅限于确保列车的安全与准时，还包括车站及隧道内的环境控制，特别是通风量的科学调控[1]。通风量的需求预测是地铁环境控制系统中的关键步骤，影响着地铁内部的空气质量、乘客的舒适度，还关系到能耗的经济性。

目前地铁通风量的需求预测多采用参考文献[2]和[3]提出的预测方法，虽然这些预测方法在一定程度上能满足地铁运营的基本需求，但是在实际应用中仍存在不足。参考文献[2]预测方法的数据处理能力有限，不能充分利用地铁运行的数据信息；参考文献[3]预测方法在面对海量数据时，难以从中提取出有价值的规律和特征，从而限制了预测精度的进一步提升。

为了解决以上问题，本文引入PSO-RVM算法，即基于粒子群算法优化的相关向量机算法。其中PSO即粒子群算法，是一种基于群体智能的优化算法，通过模拟鸟群觅食的行为，每个粒子在搜索空间中不断更新自己的位置和速度，以找到问题的最优解[4]。RVM即相关向量机，是一种稀疏贝叶斯模型，可通过自动选择部分相关向量来完成回归和分类任务。

PSO-RVM算法具有收敛速度快、全局搜索能力强等特点，在地铁车站通风量的需求预测中，不仅能够充分利用历史数据中的信息，还能够适应地铁系统运行中的动态变化，为地铁通风量的精准调控提供有力技术支持[5]。因此本文基于PSO-RVM算法设计了一种全新的地铁车站通风量需求预测方法。

1" "工程概况

某地铁工程全长约为30km，设有18座地下车站和4座高架车站。该地铁工程贯穿市中心主要商业区、居住区以及交通枢纽，可为市民提供方便、快捷的出行需求。本文研究的A车站位于城市繁华的商业区，采用地下两层结构，总建筑面积约为15000m2。在站厅层配备了宽敞的候车区以及50个自动售票机，能够同时容纳约1000名乘客候车。站台层则设有两条轨道，每条轨道长约120m。

A车站采用了先进的设计理念和通风设备。车站的送风量设计值为50000m3/h，以确保车站内的空气流通和清新。同时，排风系统负责将车站内的污浊空气排出，其设计排风量为45000m3/h。此外车站还配备了排烟系统，以应对火灾等紧急情况，其排烟量设计值高达60000m3/h。

2" "通风设备安装施工要点

2.1" "安排施工人员

根据A车站通风设备安装工作量，设定施工人员组织如下：项目经理1人，负责整体协调；安装工人8人，负责安装通风管道；安装调试人员4人，负责安装和调试通风主机。

2.2" "选择通风设备

根据A车站设计和通风需求，选择与其相匹配的通风设备。该车站高峰时段通风量需求为50000m3/h，可以选择额定风量为55000m3/h的通风机，以确保通风量满足需求并有一定的裕量。基于地铁车站的结构和布局，主通风管道沿车站长度方向布置，每隔10m设置分支通风管道，以满足不同区域的通风需求。

在此基础上，分配车站风量，设定站台层通风量占比60%，站厅层通风量占比40%。根据设计图纸，购置额定风量为55000m3/h的通风机2台，直径为500mm的通风管道100m，以及相应的连接件、密封材料等。

2.3" "安装通风设备

2.3.1" "通风设备安装流程

在落实施工人员组织、选择和购置通风设备的基础上制定通风设备施工流程。施工设备安装流程如图1所示。

2.3.2" "通风设备基础施工

在安装通风设备之前，需要按照设计图纸规定的位置完成其基础施工。为此需要根据通风设备的具体安装尺寸和自身重量，来确定通风设备基础的结构、尺寸和固定方法。

2.3.3" "通风设备主机安装

使用合适的起重机吊装通风设备主机时，必须确保其平衡和稳定，防止在吊装过程中发生晃动或碰撞[6]。当通风设备主机被吊装到基础位置后，需要使用水平尺精确调平。选择尺寸和型号与通风设备主机相匹配的连接件，使用螺栓将通风设备主机与其基础连接固定[7]。

在完成通风设备主机安装后，进行其接电作业，即接入电源线和控制线。接电作业必须由电工按照安全操作规程和通风设备主机说明书的要求完成接线作业。

2.3.4" "通风设备主机调试

通风设备主机安装完成后，进入其调试与测试阶段。该阶段包括对通风机的运行状态、风量、噪声等关键参数进行测试，以确保其性能指标符合设计要求[8]。若测试中发现通风设备主机不符合性能指标要求，应立即进行调整或更换。

2.3.5" "通风管道安装

安装通风管道时，在确定其长度后，使用切割机进行精确切割，然后使用焊机对管道进行焊接，确保管道的尺寸和形状符合设计要求。使用支架、吊架等固定件将完成切割和焊接的通风管道安装固定在指定位置，安装时精确控制管道的走向和坡度。在管道连接处、法兰接口等位置，使用密封胶和密封垫进行密封处理，确保连接处的密封性能良好，防止发生漏风现象。

3" "历史数据采集和通风量预测值寻优

3.1" "采集地铁通风量需求的历史数据

3.1.1" "采集方法

为了分析地铁通风量需求的变化趋势并找出其影响因素，给未来通风系统的设计和运营提供有利的数据支持，需要采集地铁通风量的历史数据。在采集时，需要确定所采集数据的时间范围（如过去5年、10年等）和地点范围（如特定车站、整条线路等）[9]。

3.1.2" "数据提取

采集到与该地铁车站相关的设计文档、施工记录、运营报告等资料后，从中提取出通风量需求的历史数据。对于无法直接从资料中获取的数据，组织专业团队进行实地测量和详细记录。地铁车站通风量实地采集数据如表1所示。

表1中，每行数据代表一个特定时间、地点以及对应的通风量、温度和湿度数据。通过数据库查询语句获取通风量数据，并导出为Excel格式的文件。组织专业团队进行实地测量，将测量数据录入到表格中。通过以上采集方法，可以全面、准确地采集到地铁通风量需求的历史数据，为后续的通风量需求预测提供有力支持。

3.2" "基于PSO-RVM算法的通风量预测值寻优

3.2.1" "设定RVM的初始参数

在地铁通风量需求的历史数据采集完毕后，利用PSO-RVM算法，对通风量需求进行预测，构建PSO-RVM模型，设定相关向量机RVM的初始参数。其中，核函数的方差参数σ设置为1.0，正则化参数α为0.1，权重衰减项λ为0.01，初始权重为0。

3.2.2" "计算适应度函数

以随机初始化粒子的位置和速度定义适应度函数，用于评估RVM参数组合的优劣。适应度函数的计算公式如下：

式中：ƒ（p）表示粒子的适应度值；wl、wt、ws分别表示路径长度L（p）、路径安全性T（p）和路径平滑性S（p）的权重。

3.2.3" "通风量预测值的寻优过程

公式（1）通过调整权重来确保路径个体之间保持合理的差异，既能加速个体间的竞争，又能避免差距过大而抑制了有效的竞争。在每一代的进化过程中，更新并记录适应度值最优的粒子，并将其作为当前的最优解。随着迭代次数的不断增加，算法逐步逼近全局最优解。

当达到预设的最大迭代次数或适应度值收敛至一定水平时，迭代过程将停止，否则算法将继续执行优化过程。当需要预测新的通风量需求时，只需输入相关的数据，如当前时间、地点、温度、湿度等。随后将这些输入数据代入PSO-RVM模型中，进行通风量需求的预测。模型会输出预测的通风量值，作为决策参考。

通过以上流程，可以利用PSO-RVM算法对地铁通风量需求进行高效且准确的预测。该算法结合了粒子群优化和相关向量机的优点，能够自动寻找并确定最优的RVM参数组合，从而显著提高预测的精度和效率。

4" "预测结果和实际效果分析

4.1" "预测结果

按照上述流程完成地铁A车站工程通风量需求预测后，对预测结果进行客观分析。为了更具体地展示不同时段地铁通风量预测方法的实际效果，选取A地铁车站一天内的多个不同时间段，通过上述流程获取这些时段的通风量预测值，将该预测值与实际值进行了对比。A地铁车站通风量需求预测结果如表2所示。

4.2" "实际效果分析

表2中，预测通风量偏差的正值，表示预测通风量高于实际通风量；负值表示预测通风量低于实际通风量。由表2可以看出，应用本文提出的基于PSO-RVM算法的预测方法后，不同时段地铁通风量预测值均接近实际通风量，预测偏差最高不超过1.20%，符合通风量预测规范要求允许±5%的偏差范围。

这一结果证明了本文提出该预测方法的可行性与有效性，在不同时段的地铁通风量预测中，该预测方法表现出更高的准确性和稳定性，能够更准确预测地铁车站实际的通风量需求，为地铁车站的通风系统设计和运行提供了更可靠的参考依据。

5" "结束语

地铁系统的不断发展和智能化水平的提高，对通风量需求预测的要求也越来越高。基于PSO-RVM算法的预测方法，不仅能够满足当前地铁通风系统对通风量预测的高标准需求，而且凭借其出色的可扩展性和适应性，为地铁通风系统未来升级与优化提供了强有力的技术支持，为地铁通风量需求的精准预测提供了全新的思路和方法。

综上所述，本文提出的基于PSO-RVM算法的地铁通风量需求预测方法具有重要的理论意义和实际应用价值。通过深入研究和探索这一预测方法，期待为地铁通风量需求的精准调控和智能化管理贡献出更大的力量。

参考文献

[1]"" 赵宁，郭智杰，杜梅霞，等.地铁车站通风空调大系统动态调控策略研究[J].山西建筑，2024，50（5）：126-130.

[2]"" 李元阳，方兴，胡钦，等.某地铁车站通风空调系统风水联动控制方法及应用[J].暖通空调，2023，53（S2）：226-231.

[3]"" 郑懿，宋洁，王威.地铁车站通风空调系统节能策略研究[J].制冷与空调，2023，23（8）： 93-102.

[4]"" 王丽慧，尹立元，胡田伟，等.基于空气热平衡的地铁车站热压通风风量计算与分析[J/OL].暖通空调，1-7[2024-12-27].https：//doi.org/10.19991/j.hvac1971.2023.09.11.

[5]"" 宋洁，郑懿，张晓晨.基于实测的地铁车站设备管理用房通风空调系统性能优化分析研究[J].上海节能，2023（6）：806-813.

[6]"" 刘加栋.城市轨道交通深埋车站（区间）活塞通风模拟计算与现场实测分析[J].暖通空调，2022，52（S2）：126-129.

[7]"" 曹勇，丁天一，于震.地铁站通风空调控制系统节能优化研究综述[J].建筑科学，2022，38（4）：213-228.

[8]"" 陈荟多，周东一，肖湘华.基于广义回归神经网络的地铁屏蔽门通风量预测研究[J].中阿科技论坛（中英文）， 2021（9）：101-103.

[9]"""""""""" 钱飞.基于PSO-RVM算法的地铁通风量需求预测建模[J].信息技术与信息化， 2021（8）：116-118.