[发明专利]客运站环境温度预测方法及装置

权利要求书

1.一种客运站环境温度预测方法，其特征在于，包括：

接收与当前时间对应的采集数据；其中，所述采集数据为环境传感器采集的湿度值、二氧化碳值、PM2.5值、以及PM10值；

将当前时间对应的湿度值、二氧化碳值、PM2.5值、以及PM10值中的一项或多项数值作为输入数据输入至预设的第一LSTM模型进行预测，得到环境特征变量预测结果；其中，所述环境特征变量预测结果为与所述输入数据对应的预测结果；与所述输入数据对应的预测结果包括：预设未来时间的湿度值，和/或，二氧化碳值，和/或，PM2.5值，和/或，PM10值；所述预设的第一LSTM模型为采用湿度值、二氧化碳值、PM2.5值、以及PM10值中的一项或多项样本数值作为输入数据，以及，与所述样本数值对应的环境特征变量预测结果作为输出数据，基于机器学习算法训练得到的；

将所述环境特征变量预测结果输入至预设的LightGBM模型，得到相应的温度预测值；其中，所述预设的LightGBM模型为采用环境特征变量预测结果样本数值作为输入数据，以及，与所述样本数值对应的温度预测值作为输出数据，基于机器学习算法训练得到的。

2.根据权利要求1所述的客运站环境温度预测方法，其特征在于，所述预设的第一LSTM模型为采用湿度值、二氧化碳值、PM2.5值、以及PM10值中的一项或多项样本数值作为输入数据，以及，与所述样本数值对应的环境特征变量预测结果作为输出数据，基于机器学习算法训练得到的，包括：

将所述样本数值整理成长短期记忆神经网络LSTM需要的三维结构(TrainX,SeqLen,Dim_in)；其中，第一维度TrainX表示对应的所述样本数值，第二维度SeqLen表示所述样本数值所采集的序列数据，第三维度Dim_in表示所述样本数值对应的特征维度；

基于所述三维结构(TrainX,SeqLen,Dim_in)将所述样本数值划分训练集和测试集，然后基于机器学习算法训练。

3.根据权利要求1所述的客运站环境温度预测方法，其特征在于，还包括：

获取与所述当前时间对应的未来预设时间段内环境传感器采集的温度值集合；

基于所述温度值集合采用均方根误差公式对所述预设的LightGBM模型输出的与所述样本数值对应的温度预测值进行校对优化。

4.根据权利要求1所述的客运站环境温度预测方法，其特征在于，还包括：

将当前时间对应的湿度值、二氧化碳值、PM2.5值、以及PM10值中的一项或多项数值作为输入数据输入至预设的第二LSTM模型进行预测，得到与所述输入数据对应的温度预测值；其中，所述预设的第二LSTM模型为采用湿度值、二氧化碳值、PM2.5值、以及PM10值中的一项或多项样本数值作为输入数据，以及，与所述样本数值对应的温度预测值作为输出数据，基于机器学习算法训练得到的。

5.根据权利要求4所述的客运站环境温度预测方法，其特征在于，还包括：

基于所述预设的LightGBM模型输出的温度预测值，和所述预设的第二LSTM模型输出的温度预测值进行对比分析，确定温度预测值结果。