随着中国地铁运营能力的提高,大城市的人们更多地选择地铁出行。有些地铁线路在早、晚高峰时运营负荷量大,造成部分早期建设的地铁车站环境质量下降。地铁车站内环境参数受空气流动、人群流动等因素影响,具有特殊的变化规律,站内不同位置的环境参数之间既有联系又有差异,因此对全站重要节点的环境参数进行长时间地监测与预测成为一大难点,对于此类特点的环境参数,本文研究并使用随机网络中的随机向量泛函连接(Random Vector Functional Link,RVFL)神经网络方法探索环境参数变化规律。神经网络能通过对历史数据进行训练,找出一段时间内环境参数的变化规律,而与传统BP神经网络相比,RVFL神经网络具有建模简单、训练速度快、预测结果准确的优点。在对环境参数进行多步预测时,传统的单步滚动预测会随着步数增加预测精度逐渐降低,本文在基于RVFL神经网络的多输出预测基础上提出一种误差补偿策略,可以使多步预测更加准确,同时,只需调节输出层节点数与网络参数就可以对未来一段时间数据进行预测,网络结构简单,不需要循环输入,而且模型可以进行在线更新。通过实验验证,预测精度与速度都有较大优势。在此基础上,本文通过对车站内多个空间节点环境参数数据进行分析,对不同节点间环境参数的传导关系进行网络建模,对某节点的环境参数数据进行参数回归,建模时使用随机配置网络(Stochastic configuration network,SCN)与RVFL模型融合的方式增强回归模型的泛化性能与稳定性。此方法可以使用少量传感器对车站空间内不同节点的环境参数进行长时间监测与预测,降低了环境监测成本。通过本文的实验研究,为地铁车站内环境参数监测和预测提供了一种快速有效的方法,为环控措施提供准确的数据支持。