考虑时间序列特性循环神经网络的变电站工程造价动态预测

摘要

【目的】针对现有变电站造价估计方法在预测精度和计算效率方面存在的不足，提出一种基于改进长短期记忆网络的变电站造价预测模型——时空长短期记忆(spatio-temporal long short-term memory, ST-LSTM)网络，以提升造价预测的准确性与效率。该模型以建筑信息模型(BIM)数据为基础，通过引入双流记忆转换机制和之字形(ZigZag)时空记忆流，实现对时空数据中复杂动态特征的有效捕捉与学习，从而统一建模短期空间细节变化与长期时间动态演化过程。【方法】首先对BIM造价数据进行预处理，包括数据清洗、标准化处理和时间序列划分，以保证数据的完整性与可用性。随后构建ST-LSTM网络模型，通过改进传统LSTM网络的三门控结构，引入ZigZag时空记忆流和双流记忆转换机制，以增强模型对时空特征的提取与融合能力。在模型训练阶段，采用网格搜索方法对隐藏层神经元数量进行优化，并以均方误差(MSE)作为损失函数，结合Adam优化器完成模型参数更新。实验选取105个变电站的实际BIM造价数据，按照3∶1∶1的比例划分训练集、验证集和测试集，用于模型训练与性能评估。【结果】通过多轮仿真实验，对ST-LSTM模型、粒子群优化算法以及传统LSTM网络模型的预测性能进行了对比分析。采用平均绝对百分比误差(MAPE)、均方根误差(RMSE)和皮尔逊相关系数作为评价指标。结果表明，ST-LSTM网络模型在短期预测中的准确率最高约为95%,在长期预测中的准确率亦超过90%,整体平均预测准确率超过90%,显著优于粒子群优化算法和传统LSTM网络模型。在计算效率方面，ST-LSTM网络模型的平均运行时间为1.1 s,略高于粒子群优化算法的0.5 s,但低于传统LSTM网络模型的1.2 s,均处于工程应用可接受范围内。进一步分析发现，在处理规模较大、时空特征复杂的数据集时，ST-LSTM网络模型的预测优势更加明显。【结论】基于ST-LSTM网络模型的变电站造价预测方法能够有效提取并融合多维时空特征，显著提升短期与长期造价预测的准确性和整体计算效率。与粒子群优化算法和传统LSTM网络模型相比，ST-LSTM网络模型在预测性能方面具有明显优势，但其计算复杂度相对较高，对计算资源和训练时间要求较高。未来研究将重点围绕模型结构优化与计算复杂度降低展开，以进一步提升其在工程实践中的应用可行性与推广价值。

关键词

变电站造价 / 估计算法 / 时空特征 / 记忆单元 / 循环神经网络 / 长短期记忆网络 / 门控机制 / 特征提取