地铁作为一种广泛应用于解决城市拥堵问题的交通系统,在目前城市发展中占据重要地位。安全和舒适是对地铁系统运营的基本要求。本着以人为本、高效节能和精细化管理的理念,必须解决地铁内部日益突出的热环境问题。而解决这一问题的有效途径是科学地调控地铁内部热环境状态。因此,需对地铁热环境状态进行连续监测分析,并结合地铁车站的全场热环境模拟来预测和掌握热环境状态的变化规律,以便为地铁内部环境调控及系统运行优化提供可靠的依据。本文以北京地铁某典型换乘车站为研究对象,釆用现场测试、连续监测、时序数据挖掘与数值模拟分析相结合的方法对其热环境问题进行研究。主要研究内容包括:(1)地铁热环境状态参数的动态变化特征;(2)地铁热环境状态参数的时序小波分析与神经网络预测;(3)地铁热环境全场时空变化规律的数值模拟分析;(4)基于时序神经网络预测与全场数值模拟的地铁热环境分析方法初探。并且,编制了地铁环境状态参数的神经网络预测程序。研究结果表明:对于非屏蔽门系统的地铁车站,在行车间隔、列车运动等诸多因素的影响下,站台热环境状态参数具有较为明显的波动性和空间分布上的非均匀性,且其现场连续监测数据呈现较强的非线性噪声;采用db N、ciof N、sym N等小波系作为小波基函数以及3层分解层数对波动明显的监测数据进行小波分析的降噪效果较好。尤以经过db2和sym2小波除噪后的曲线波动趋势与监测结果最为吻合,可有效解决数据突变和特征丢失问题并保证数据过渡平滑,降噪重构后的监测数据可用于神经网络预测;基于Bi LSTM单元的神经网络预测模型具备额外训练能力,对热环境状态参数的预测效果和精度优于常规的基于LSTM单元的模型,基于小波分析的Bi LSTM组合模型预测精度可达到0.9;基于CFD对地铁车站内列车匀速行驶、减速进站、停靠和加速驶离这一全过程内的热环境状态进行数值模拟,可获得短时间内全场参数的动态分布情况,而未来全场数值模拟计算的边界条件与验证数据可由时序神经网络预测的结果提供。本文所提出的基于深度学习时序预测与CFD数值模拟的组合分析方法,将便于更全面、更准确地分析未来地铁热环境的变化情况,具有一定的创新性和应用价值。本文研究工作得到“北京地铁1、2号线线路整体热环境系统控制方案研究”项目的资助。研究成果对于优化地铁热环境调控、提高乘客的舒适性感受、节能减排以及提高地铁运营管理水平和服务质量都具有较强的现实意义。