论文部分内容阅读
随着城市化进程的发展,地面交通的拥堵情况不断加重,地铁由于其准时、快速且便捷等优点,近年得到飞速发展。与此同时,地铁站内的空气品质也逐步受到人们的关注,相较于室外,地铁人群密集,通风不畅,并且相关研究表明,地铁内PM2.5富含金属元素,更具毒性,因此地铁内PM2.5更应该引起人们注意。目前地铁内PM2.5的研究主要以实测为主,但单独的实测研究存在局限性,不能将研究结果直接落实到地铁站内的空气品质调节上。因此,本文将实测研究与预测研究相结合,通过地铁站的实测数据,建立地铁站内PM2.5浓度的预测模型,为下一步调节站内的PM2.5浓度,改善站内空气品质提供参考依据。本文于2019年秋冬季节对北京地铁典型车站进行了站内PM2.5浓度实测,研究地铁站内PM2.5浓度分布规律,分析地铁站内PM2.5浓度的影响因素,并通过SPSS软件对站台、站厅PM2.5浓度的可能影响因素进行相关性定量分析,得出以下结论:(1)地铁站站台处PM2.5浓度与室外PM2.5浓度具有相关性。地铁站站厅处PM2.5浓度也与室外PM2.5浓度具有相关性。比较二者相关性大小,站厅处PM2.5质量浓度值>站台处PM2.5质量浓度值。(2)地铁站站台PM2.5浓度受到来自隧道内的PM2.5浓度的影响,不同类型的站台门对隧道内PM2.5阻隔作用不同,因此站台门的类型会影响站台处PM2.5浓度。(3)当室外PM2.5浓度连续两天处于相同污染等级时,实测站台、站厅的PM2.5浓度,发现站台、站厅的PM2.5浓度与前一天PM2.5浓度值具有相关性,说明站台、站厅的PM2.5浓度存在累积量。通过上述实测数据及研究结果,仿照天气预测模式,本文建立了间隔1天的短期地铁站站内PM2.5浓度预测模型,以及间隔数小时的短时预测模型。对基于BP神经网络的地铁站PM2.5浓度的各种预测模型的预测误差进行计算,并分析误差原因,得到以下结论:(1)短期地铁站台、站厅PM2.5浓度预测模型的预测误差分别为10.58%和12.62%。根据不同地铁站的各自实测数据,建立了各站的站台和站厅预测模型,半高安全门永安里站、全高安全门平乐园站和十里堡站的站台预测模型误差分别为10.49%、3.15%、15.72%;各站的站厅预测模型误差分别为6.68%、15.46%、16.55%。(2)根据地铁运营时客流情况,将地铁运营时段分为客流平峰期与客流高峰期。在客流平峰时段,本文建立的地铁站站台延时5h、延时8h的短时预测模型,模型预测误差分别为10.32%、15.34%。在客流高峰时段,本文建立了预测晚高峰时段PM2.5浓度与预测早高峰时段PM2.5浓度的预测模型,模型误差为17.95%和16.95%。(3)通过对比各车站站台和站厅的预测模型,发现使用半高安全门车站站台预测模型的准确度要低于使用全高安全门所建立的预测模型,站厅预测模型的预测误差则正好相反。根据前人对于地铁站内PM2.5浓度预测的研究,得出理论推导所建立的预测误差在20%,根据数据驱动的各种方法所建立预测模型的预测误差均大于20%.本文所建立的各种基于BP神经网络的地铁站站台、站厅PM2.5浓度预测模型的预测误差均低于20%,说明了基于BP神经网络建立地铁站内PM2.5浓度预测模型具有可行性。本课题研究对于地铁工作人员的健康具有重要意义,同时对于搭乘地铁乘客的健康也具有重要意义,为地铁站内空气品质调节预测预警系统进行了前期预测模型的建立工作,可作为地铁PM2.5浓度的后续相关研究的参考依据。该论文有图55幅,表17个,参考文献66篇。