CN108182339B - 一种基于高斯分布的窗户状态预测方法及系统 - Google Patents
一种基于高斯分布的窗户状态预测方法及系统 Download PDFInfo
- Publication number
- CN108182339B CN108182339B CN201810227860.7A CN201810227860A CN108182339B CN 108182339 B CN108182339 B CN 108182339B CN 201810227860 A CN201810227860 A CN 201810227860A CN 108182339 B CN108182339 B CN 108182339B
- Authority
- CN
- China
- Prior art keywords
- window
- parameters
- opening
- environmental
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于高斯分布的窗户状态预测方法及系统。该方法包括:获取窗户开关状态的历史监测数据;获取环境参数的历史数据,并根据环境参数的历史数据确定影响窗户开关的环境影响参数;通过历史监测数据以及所述环境影响参数的历史数据建立基础模型;基于高斯分布对所述基础模型进行训练,得到预测模型;获取所述环境影响参数的当前数据;根据所述当前数据以及所述预测模型预测窗户的开关状态。本发明能够提高窗户开关预测的准确性。
Description
技术领域
本发明涉及窗户状态预测领域,特别是涉及一种基于高斯分布的窗户状态预测方法及系统。
背景技术
开窗行为是人们利用最普遍也是最方便的一种调节室内通风状况的方式,通风不仅可以改善室内热湿环境状况和空气品质,还可以在一定程度上减少建筑能耗。因此,研究建筑内部人员开窗行为习惯,建立能够描述人员门窗开关行为的数学模型,将其概率模型运用到能耗模拟软件中,可以进一步提高模拟结果的准确性,对于建筑节能、室内空气品质、热舒适等具有十分重要的现实意义。
目前世界上经典的人员开关窗行为建模的方法主要有两种:基于伯努利(Bernoulli)链法和基于马科夫(Markov)链法。基于伯努利链法是对人员开关窗行为最基本的随机建模方法,其建模过程又基于Logistic回归法,建模时需要考虑现有环境状态,如温度、湿度等对人员开关窗决定影响的因素。基于马科夫链法同样也是基于Logistic回归法进行人行为建模。与前者不同的是马科夫链需要考虑前一个窗户状态对当前窗户状态的影响,换句话说就是如果之前窗户已经被打开,当前状态下窗户保持打开的状态和需要从之前关闭状态到现在打开状态的决定过程和因素是不一样的。室内人员的开关窗行为完全是随机的,现有的模型在考虑各类影响因素的预测准确率方面有所不足。
发明内容
本发明的目的是提供一种基于高斯分布的窗户状态预测方法及系统,用以提高窗户开关预测的准确性。
为实现上述目的,本发明提供了如下方案:
一种基于高斯分布的窗户状态预测方法,所述方法包括:
获取窗户开关状态的历史监测数据;
获取环境参数的历史数据,并根据环境参数的历史数据确定影响窗户开关的环境影响参数;
通过历史监测数据以及所述环境影响参数的历史数据建立基础模型;
基于高斯分布对所述基础模型进行训练,得到预测模型;
获取所述环境影响参数的当前数据;
根据所述当前数据以及所述预测模型预测窗户的开关状态。
可选的,所述获取环境参数的历史数据,并确定影响窗户开关的环境影响参数,具体包括:
获取环境参数的历史数据;
对所述环境参数的历史数据进行筛选,得到影响窗户开关的环境影响参数。
可选的,所述通过历史监测数据以及所述环境影响参数的历史数据建立基础模型,具体包括:
提取所述环境影响参数的历史数据的特征向量,得到历史环境影响参数特征向量;
提取所述历史监测数据的特征向量,得到状态特征向量;
以所述历史环境影响参数特征向量为输入,所述状态特征向量为输出,构建基础模型。
可选的,所述基于高斯分布对所述基础模型进行训练,得到预测模型,具体包括:
根据所述基础模型预测窗户的开关状态;
判断所述窗户的开关状态是否符合高斯分布;
如否,则调整所述基础模型的参数使所述窗户的开关状态符合高斯分布,得到预测模型;
若是,则确定所述基础模型为预测模型。
本发明还提供了一种基于高斯分布的窗户状态预测系统,所述系统包括:
监测模块,用于获取窗户开关状态的历史监测数据;
确定模块,用于获取环境参数的历史数据,并根据环境参数的历史数据确定影响窗户开关的环境影响参数;
建模模块,用于通过历史监测数据以及所述环境影响参数的历史数据建立基础模型;
训练模块,用于基于高斯分布对所述基础模型进行训练,得到预测模型;
获取模块,用于获取所述环境影响参数的当前数据;
预测模块,用于根据所述当前数据以及所述预测模型预测窗户的开关状态。
可选的,所述确定模块包括:
获取单元,用于获取环境参数的历史数据;
筛选单元,用于对所述环境参数的历史数据进行筛选,得到影响窗户开关的环境影响参数。
可选的,所述建模模块包括:
第一提取单元,用于提取所述环境影响参数的历史数据的特征向量,得到历史环境影响参数特征向量;
第二提取单元,用于提取所述历史监测数据的特征向量,得到状态特征向量;
建模单元,用于以所述历史环境影响参数特征向量为输入,所述状态特征向量为输出,构建基础模型。
可选的,所述预测模块包括:
预测单元,用于根据所述基础模型预测窗户的开关状态;
判断单元,用于判断所述窗户的开关状态是否符合高斯分布;
结果确定单元,与所述判断单元连接,用于当所述窗户的开关状态不符合高斯分布时,调整所述基础模型的参数使所述窗户的开关状态符合高斯分布,得到预测模型;以及用于当所述窗户的开关状态符合高斯分布时,确定所述基础模型为预测模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明通过窗户的状态监测数据以及环境影响参数的历史数据建立基础模型;并采用高斯分布对所述基础模型进行训练,得到预测模型;根据所述预测模型预测窗户的开关状态。由于高斯分布的累积图像很贴近一个二分类问题的结果,将该函数应用于窗户状态预测能够极大的提高预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于高斯分布的窗户状态预测方法的流程图;
图2为本发明在各训练样本量下的窗户状态预测结果图;
图3为本发明与传统逻辑回归方法在各训练样本量下窗户状态预测结果对比图;
图4为本发明实施例提供的一种基于高斯分布的窗户状态预测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于高斯分布的窗户状态预测方法及系统,用以提高窗户开关预测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种基于高斯分布的窗户状态预测方法包括以下步骤:
步骤101:获取窗户开关状态的历史监测数据。
步骤102:获取环境参数的历史数据,并根据环境参数的历史数据确定影响窗户开关的环境影响参数。
具体的,获取环境参数的历史数据,获取对窗户状态可能有影响的环境监测数据,包括室内外温度、室外相对湿度、室外风速等。
对所述环境参数的历史数据进行筛选,得到影响窗户开关的环境影响参数。对获取可能影响窗户状态的环境参数的监测数据进行预处理,所述预处理包括筛除无关变量以及去重,即剔除对窗户状态无显著性影响的环境因素,以及剔除引起多重共线性的相应环境参数。
步骤103:通过历史监测数据以及所述环境影响参数的历史数据建立基础模型。
具体的,提取所述环境影响参数的历史数据的特征向量,得到历史环境影响参数特征向量;
提取所述历史监测数据的特征向量,得到状态特征向量;
以所述历史环境影响参数特征向量为输入,所述状态特征向量为输出,构建基础模型。
步骤104:基于高斯分布对所述基础模型进行训练,得到预测模型。
具体的,根据所述基础模型预测窗户的开关状态;
判断所述窗户的开关状态是否符合高斯分布;
如否,则调整所述基础模型的参数使所述窗户的开关状态符合高斯分布,得到预测模型;
若是,则确定所述基础模型为预测模型。
以窗户状态为单位,根据所述的该t维的环境影响参数特征向量,从窗户状态信息中提取该窗户状态对应的t个状态特征向量。另外,将用于训练的窗户状态转化为不等式,规定实测窗户状态为开时,开窗概率P(X)>0.5,实测窗户状态为关时,开窗概率P(X)<0.5,基于高斯分布构建预测模型。
高斯分布模型的定义表示为一个线性叠加的高斯模型,其模型确定的开窗概率计算如公式(1)所示:
m1为混合系数(权重)。考虑到:当公式(1)中xi趋于无穷大,必存在P(X)=F(xi|μi,σi)=1,可得公式(3)如下:
所述高斯分布模型的窗户状态用0和1表示,其中0表示窗户处于关闭状态,1表示窗户处于开启状态。
由于本研究用于训练的窗户状态是一个二分类变量,先采用Linprog函数将用于训练的窗户状态转化为不等式,规定实测窗户状态为开时,开窗概率P(X)>0.5,实测窗户状态为关时,开窗概率P(X)<0.5,以此对模型进行训练。
步骤105:获取环境影响参数的当前数据。
步骤106:根据所述当前数据以及所述预测模型预测窗户的开关状态。
由图2可以看出,使用不同的样本量对该高斯分布模型进行训练时,所得模型的预测准确率不同。由图3可以看出,对于本研究关于窗户状态预测的8次实验,高斯分布模型对窗户状态预测的准确率随训练样本量变化的规律性与采用逻辑回归模型的大体相同,均为随着训练样本量的增加,预测准确率先增加后减小,在某训练数据量下模型预测准确率达到最大。且从图中还可以看出,对于本研究中的8次实验,高斯分布模型用于窗户状态预测的准确率与逻辑回归模型的预测结果相差最大为6.4%,基本在3%左右,也会有高斯分布模型的预测准确率高于逻辑回归模型预测准确率的情况,如当训练数据量为1天、2天和20天时。因此,总体来说,将高斯分布模型用于窗户状态具有一定的适用性,且当样本量较小时,相比于逻辑回归模型高斯分布模型也会表现出一定的优越性。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明通过窗户的状态监测数据以及环境影响参数的历史数据建立基础模型;并采用高斯分布对所述基础模型进行训练,得到预测模型;根据所述预测模型预测窗户的开关状态。由于高斯分布的累积图像很贴近一个二分类问题的结果,将该函数应用于窗户状态预测能够极大的提高预测的准确性。
如图4所示,本发明还提供了一种基于高斯分布的窗户状态预测系统,所述系统包括:
监测模块401,用于获取窗户开关状态的历史监测数据;
确定模块402,用于获取环境参数的历史数据,并根据环境参数的历史数据确定影响窗户开关的环境影响参数;
所述确定模块402具体包括:
获取单元,用于获取环境参数的历史数据;
筛选单元,用于对所述环境参数的历史数据进行筛选,得到影响窗户开关的环境影响参数。。
建模模块403,用于通过历史监测数据以及所述环境影响参数的历史数据建立基础模型。
所述建模模块403具体包括:
第一提取单元,用于提取所述环境影响参数的历史数据的特征向量,得到历史环境影响参数特征向量;
第二提取单元,用于提取所述历史监测数据的特征向量,得到状态特征向量;
建模单元,用于以所述历史环境影响参数特征向量为输入,所述状态特征向量为输出,构建基础模型。
训练模块404,用于基于高斯分布对所述基础模型进行训练,得到预测模型。
获取模块405,用于获取环境影响参数的当前数据。
预测模块406,用于根据所述当前数据以及所述预测模型预测窗户的开关状态。
所述预测模块406具体包括:
预测单元,用于根据所述基础模型预测窗户的开关状态;
判断单元,用于判断所述窗户的开关状态是否符合高斯分布;
结果确定单元,与所述判断单元连接,用于当所述窗户的开关状态不符合高斯分布时,调整所述基础模型的参数使所述窗户的开关状态符合高斯分布,得到预测模型;以及用于当所述窗户的开关状态符合高斯分布时,确定所述基础模型为预测模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于高斯分布的窗户状态预测方法,其特征在于,所述方法包括:
获取窗户开关状态的历史监测数据;
获取环境参数的历史数据,并根据环境参数的历史数据确定影响窗户开关的环境影响参数;
通过历史监测数据以及所述环境影响参数的历史数据建立基础模型;
基于高斯分布对所述基础模型进行训练,得到预测模型;
获取所述环境影响参数的当前数据;
根据所述当前数据以及所述预测模型预测窗户的开关状态;
所述预测模型确定的开窗概率计算公式如下:
式中,P(X)是开窗概率,mi为混合系数,X是t个相关影响因素组成的向量,函数F(xi|μi,σi 2)为一混合组件,所述混合组件的计算公式如下:
所述获取环境参数的历史数据,并确定影响窗户开关的环境影响参数,具体包括:
获取环境参数的历史数据;
对所述环境参数的历史数据进行筛选,得到影响窗户开关的环境影响参数;
所述通过历史监测数据以及所述环境影响参数的历史数据建立基础模型,具体包括:
提取所述环境影响参数的历史数据的特征向量,得到历史环境影响参数特征向量;
提取所述历史监测数据的特征向量,得到状态特征向量;
以所述历史环境影响参数特征向量为输入,所述状态特征向量为输出,构建基础模型。
2.根据权利要求1所述的预测方法,其特征在于,所述基于高斯分布对所述基础模型进行训练,得到预测模型,具体包括:
根据所述基础模型预测窗户的开关状态;
判断所述窗户的开关状态是否符合高斯分布;
如否,则调整所述基础模型的参数使所述窗户的开关状态符合高斯分布,得到预测模型;
若是,则确定所述基础模型为预测模型。
3.一种基于高斯分布的窗户状态预测系统,其特征在于,所述系统包括:
监测模块,用于获取窗户开关状态的历史监测数据;
确定模块,用于获取环境参数的历史数据,并根据环境参数的历史数据确定影响窗户开关的环境影响参数;
建模模块,用于通过历史监测数据以及所述环境影响参数的历史数据建立基础模型;
训练模块,用于基于高斯分布对所述基础模型进行训练,得到预测模型;
获取模块,用于获取所述环境影响参数的当前数据;
预测模块,用于根据所述当前数据以及所述预测模型预测窗户的开关状态;
所述预测模型确定的开窗概率计算公式如下:
式中,P(X)是开窗概率,mi为混合系数,X是t个相关影响因素组成的向量,函数F(xi|μi,σi 2)为一混合组件,所述混合组件的计算公式如下:
所述确定模块包括:
获取单元,用于获取环境参数的历史数据;
筛选单元,用于对所述环境参数的历史数据进行筛选,得到影响窗户开关的环境影响参数;
所述建模模块包括:
第一提取单元,用于提取所述环境影响参数的历史数据的特征向量,得到历史环境影响参数特征向量;
第二提取单元,用于提取所述历史监测数据的特征向量,得到状态特征向量;
建模单元,用于以所述历史环境影响参数特征向量为输入,所述状态特征向量为输出,构建基础模型。
4.根据权利要求3所述的预测系统,其特征在于,所述预测模块包括:
预测单元,用于根据所述基础模型预测窗户的开关状态;
判断单元,用于判断所述窗户的开关状态是否符合高斯分布;
结果确定单元,与所述判断单元连接,用于当所述窗户的开关状态不符合高斯分布时,调整所述基础模型的参数使所述窗户的开关状态符合高斯分布,得到预测模型;以及用于当所述窗户的开关状态符合高斯分布时,确定所述基础模型为预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810227860.7A CN108182339B (zh) | 2018-03-20 | 2018-03-20 | 一种基于高斯分布的窗户状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810227860.7A CN108182339B (zh) | 2018-03-20 | 2018-03-20 | 一种基于高斯分布的窗户状态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182339A CN108182339A (zh) | 2018-06-19 |
CN108182339B true CN108182339B (zh) | 2021-08-13 |
Family
ID=62553828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810227860.7A Active CN108182339B (zh) | 2018-03-20 | 2018-03-20 | 一种基于高斯分布的窗户状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182339B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472197A (zh) * | 2019-08-22 | 2019-11-19 | 苏州卡泰里环保能源有限公司 | 基于Binary Logistic模型运用哑变量预测开窗行为的方法 |
CN110705794A (zh) * | 2019-10-09 | 2020-01-17 | 苏州卡泰里环保能源有限公司 | 一种基于支持向量机算法预测窗户状态的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834918A (zh) * | 2015-05-20 | 2015-08-12 | 中国科学院上海高等研究院 | 一种基于高斯过程分类器的人体行为识别方法 |
CN105183909A (zh) * | 2015-10-09 | 2015-12-23 | 福州大学 | 基于高斯混合模型的社交网络用户兴趣预测方法 |
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
CN106682770A (zh) * | 2016-12-14 | 2017-05-17 | 重庆邮电大学 | 一种基于好友圈子的动态微博转发行为预测系统及方法 |
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN107238874A (zh) * | 2017-05-25 | 2017-10-10 | 苏州工业职业技术学院 | 基于时景照片的实时天气探测方法及系统 |
-
2018
- 2018-03-20 CN CN201810227860.7A patent/CN108182339B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
CN104834918A (zh) * | 2015-05-20 | 2015-08-12 | 中国科学院上海高等研究院 | 一种基于高斯过程分类器的人体行为识别方法 |
CN105183909A (zh) * | 2015-10-09 | 2015-12-23 | 福州大学 | 基于高斯混合模型的社交网络用户兴趣预测方法 |
CN106682770A (zh) * | 2016-12-14 | 2017-05-17 | 重庆邮电大学 | 一种基于好友圈子的动态微博转发行为预测系统及方法 |
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN107238874A (zh) * | 2017-05-25 | 2017-10-10 | 苏州工业职业技术学院 | 基于时景照片的实时天气探测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于蒙特卡罗方法的重庆地区过渡季节办公建筑人员开窗行为研究;范瑞娟;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140215;正文第5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN108182339A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
CN107544904B (zh) | 一种基于深度cg-lstm神经网络的软件可靠性预测方法 | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN112819136A (zh) | 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统 | |
CN108182339B (zh) | 一种基于高斯分布的窗户状态预测方法及系统 | |
CN109615124B (zh) | 一种基于深度学习的scada主站负荷预测方法 | |
CN111326169A (zh) | 一种语音质量的评价方法及装置 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
Mesters et al. | Generalized dynamic panel data models with random effects for cross-section and time | |
CN113640633B (zh) | 一种气体绝缘组合电器设备故障定位方法 | |
CN108647817B (zh) | 一种能耗负荷的预测方法及预测系统 | |
CN108664452B (zh) | 一种室内人员数量的确定方法及确定系统 | |
Xu et al. | Meta-learning via weighted gradient update | |
CN110648248B (zh) | 一种发电站的控制方法、装置及设备 | |
Yuan | Jitter buffer control algorithm and simulation based on network traffic prediction | |
CN108320061A (zh) | 一种基于神经网络的窗户状态预测方法及系统 | |
Chaudhary et al. | Predicting the performance of hybrid ventilation in buildings using a multivariate attention-based biLSTM Encoder–Decoder | |
CN113657149A (zh) | 一种基于深度学习的电能质量分析与识别方法 | |
CN109800923B (zh) | 一种分散式风力发电短期功率组合预测方法 | |
CN112231925A (zh) | 一种考虑状态依赖时滞的剩余寿命预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |