CN110188963A - 基于最小角回归和梯度提升模型的建筑能耗预测方法 - Google Patents
基于最小角回归和梯度提升模型的建筑能耗预测方法 Download PDFInfo
- Publication number
- CN110188963A CN110188963A CN201910484091.3A CN201910484091A CN110188963A CN 110188963 A CN110188963 A CN 110188963A CN 201910484091 A CN201910484091 A CN 201910484091A CN 110188963 A CN110188963 A CN 110188963A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building energy
- consumption prediction
- value
- model
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003252 repetitive effect Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出的基于最小角回归和梯度提升模型的建筑能耗预测方法,包括如下步骤:选取建筑能耗的相关影响因素作为模型的原始输入向量集,将建筑能耗作为模型的输出量,获得模型训练所需的数据集;对数据集进行预处理;利用最小角回归方法对高维的原始输入向量进行降维;将降维结果作为梯度提升模型的输入向量进行迭代训练,得到建筑能耗预测模型;利用得到的最小角回归和梯度提升模型对建筑能耗进行预测。本发明采用的基于最小角回归和梯度提升模型的建筑能耗预测方法,可以降低输入向量维数,提高建筑能耗的预测精度,对建筑能耗实现快速有效的预测。
Description
技术领域
本发明涉及建筑能耗预测领域,具体来说是基于最小角回归和梯度提升模型的建筑能耗预测方法
背景技术
建筑能耗是占比较大的一类能耗,随着经济的快速发展,建筑规模逐渐扩大,建筑能耗也急剧增加,由此导致的气候变暖等生态环境的挑战迫使人们必须平衡发展和生态间的尖锐矛盾。本发明提出的基于最小角回归和梯度提升模型的建筑能耗预测方法,从建筑能耗历史数据中挖掘出影响因子与建筑能耗的内在映射关系,可以快速准确的获取到建筑能耗的预测值,对于降低建筑能耗具有重要的意义。
发明内容
本发明提出的基于最小角回归和梯度提升模型的建筑能耗预测方法,可有效解决输入变量间的共线性问题,滤除冗余变量,减少模型工作量,提高能耗预测的准确率。
本发明提出的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于,包括如下步骤:
步骤S1:获取待预测建筑的建筑能耗值的历史样本数据,并将其作为原始输入向量集;
步骤S2:对原始输入向量集进行归一化处理;
步骤S3:通过最小角回归算法对原始输入向量集中的高维输入向量进行降维,提取原始输入向量集中的主要特征;
步骤S4:采用分层交叉验证方法将S3得到的降维后的输入向量集进行训练集与测试集的分割,然后采用梯度提升回归模型对训练集进行训练,得到建筑能耗预测模型;
步骤S5:获取待预测建筑的建筑能耗值的实时样本数据,并经过步骤S2与步骤S3处理后,输入经过步骤S4得到的建筑能耗预测模型,得到建筑能耗的预测值;
步骤S6:采用均方误差、平均绝对百分比误差、拟合度和建筑能耗预测模型的运行时间作为建筑能耗预测模型的评估指标,其中,均方误差、平均绝对百分比误差越小表示预测效果越佳,拟合度越接近1表明预测值与真实能耗值越接近,在保证准确率的情况下,建筑能耗预测模型的运行时间越少表明其性能越好。
在本发明的实施例中,所述步骤S2的具体方法如下:
对原始输入集进行归一化处理,即采用Max-Min标准化方法对原始输入集中的原数据进行线性变换,将原始输入集中的所有原数据归到[0,1]区间内,从而消除不同量纲对预测结果带来的影响,其中,线性变换公式如下:
式中,x为原始输入集中原数据,xmin为原数据x所在列的最小值,xmax为原数据x所在列的最大值,x′为原数据x经Max-Min标准化后的值。
在本发明的实施例中,所述步骤S3的具体方法如下:
设定所述最小角回归算法的待优化函数为:
上式中,xij为建筑能耗值的第i个历史样本的第j个自变量,其中,第i个历史样本表示为(xi1,xi2xi3......xip),yi为第i个历史样本对应的因变量的真实值,βj为变量xij的系数,表示待优化函数沿着最小二乘解的方向进行,表示最小角回归算法中某一迭代步骤中所有变量xijβj的向量和,即最小回归算法中的预测值,t为约束值;
待优化函数的目标为使得待优化函数的值达到最小,其沿着最小二乘解的方向前进,寻找与当前残差相关性最大的变量,每前进一步便更新所有变量的系数βj,当约束值t较小时,会将相关性较小的变量系数压缩为0并将此变量滤掉,而将系数不为0的变量作为最小角回归算法选出的变量,通过调节约束值t对输入变量进行选择,从而实现对输入向量的降维。
在本发明的实施例中,所述步骤S4的训练集和测试集分割方法为:
首先,将降维后的输入向量集划分为k份,在划分的k份中,每一份样本内各类别数据的比例和原始输入向量集中各类别的比例相同,其中的k-1份作为训练集,剩下的一份作为测试集。
在本发明所述的实施例中,所述步骤S4的模型训练步骤如下:
步骤S41:使用常量初始化建筑能耗预测模型,得到初始化的建筑能耗预测模型;
步骤S42:对初始化的建筑能耗预测模型通过弱学习器进行迭代训练,得到经过m轮迭代训练得到的强学习器;
步骤S43:输出经过M次迭代得到的强学习器FM(x),所述FM(x)即为建筑能耗预测模型。
在本发明的实施例中,所述步骤S6的具体方法如下:
采用均方误差MSE,平均绝对百分比误差MAPE,拟合度R2和能耗预测模型运行时间Time作为能耗预测模型的评价指标,其表达式如下:
式中,yi为测试集的实际输出值,为预测输出值,为实际输出值的平均值,n为测试集的样本数量。
在本发明的实施例中,初始化的建筑能耗预测模型为:
上式中,F0表示初始化的建筑能耗预测模型的函数表示;
argmin表示模型朝着求取损失函数最小值的方向进行;
μ表示模型中预测值的常量初始化值;
L(yi,μ)表示模型的损失函数。
在本发明的实施例中,对初始化的建筑能耗预测模型进行迭代训练的方法为:
步骤S421:获取第m轮迭代的第i个历史样本的损失函数负梯度方向,即:
上式中,Fm-1(x)表示上一轮的训练模型函数,m表示弱学习器的迭代次数,rim表示第m轮模型通过学习上一轮模型训练过程中的错误样本计算出的损失函数的负梯度方向;
步骤S422:通过增加弱学习器来优化模型,其中弱学习器为决策树,通过求解负梯度rim与弱学习器的最小二乘解来获得弱学习器的拟合残差αm:
上式中,δ表示弱学习器的权重系数,hm表示第m轮训练过程中所加的弱学习器,am表示弱学习器hm与负梯度rim最小二乘解方向求得的拟合残差,α表示弱学习器hm中拟合残差的常量初始化值;
步骤S423:计算弱学习器的权重系数δm:
上式中,δm表示求取因变量真实值yi与模型训练预测值最小二乘解时得到的弱学习器的权重系数;
步骤S424:输出经过本轮迭代训练后得到的强学习器。
在本发明的实施例中,经过m轮迭代得到的强学习器的表达式为:
Fm(x)=Fm-1(x)+εδmhm(xi,aim)
上式中,ε表示模型的训练步长。
本发明提出的能耗预测方法,有益效果为:可有效消除输入变量间的共线性问题,滤掉冗余变量,提高模型的运行速度,实现建筑能耗的精准预测。
附图说明
图1为本发明实施例提供的基于最小角回归和梯度提升模型的建筑能耗预测方法的流程图;
图2为本发明实施例提供的最小角回归算法变量选择的路径图;
图3为本发明实施例提供的分层交叉验证法的原理图。
具体实施方式
为了使本发明的优点更加清楚,以下结合实施例对本发明做进一步的详细说明,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1所示为本发明实施例的流程图,其特征在于,包括如下步骤:
步骤S1:本发明实施例中建筑物能耗值的历史数据通过Ecotect获得,并将其作为原始输入向量集,其中原始输入向量集包括如下变量:相对气密性,表面积,墙面积,屋顶面积,总高度,方向,玻璃面积,玻璃面积分布,分别用X1,X2,X3,X4,X5,X6,X7,X8来表示,输出向量集包括热负荷和冷负荷,分别用Y1和Y2来表示,需要说明的是,本发明所需的建筑能耗历史数据还可通过其他建筑软件模拟计算获得或通过建筑能耗系统采集获取,能耗影响因子还可包括气候因素等,本发明实施例的建筑能耗预测用于在建筑前期帮助建筑师快速准确的选取最佳的节能建筑结构,但此建筑能耗预测方法用途并不仅限于此;
进一步的说明,本发明实施例中的每种建筑类型在Ecotect中模拟仿真,由18个基本立方体组成,每个基本立方体为((3.5mx(3.5m)x(3.5m)),所有的建筑体积相同,为771.75m3,但面积和尺寸不同。基本立方体采用建筑行业最新最常用的u值最低的材料,相关u值具体如下:墙壁(1.78),楼层(0.86),屋顶(0.5),窗户(2.26)。建筑内部设计如下:服装:0.6clo,湿度:60%,风速:0.3m/s,照明水平300Lux。内部增益灵敏度为5,延迟为2W/m2,换风率和风速敏感性分别设置为0.5和0.25,仿真所使用的混合模式效率为95%,温度范围为19到24度。工作时间为15到20个小时,周末为10到20个小时;
具体的说,实施例中的建筑方向为四个方向:北,东,西,南。三种玻璃面积变化分别为占建筑面积的10%,25%和40%。此外,还模拟了五种不同的玻璃分布情况:(1)统一:玻璃面积占建筑物每个方向面积的25%;(2)北面:玻璃面积占建筑物北面面积的55%,占其他三个方向面积的各15%;(3)东面:玻璃面积占建筑物东面面积的55%,占其他三个方向面积的各15%;(4)南面:玻璃面积占建筑物南面面积的55%,占其他三个方向面积的各15%;(5)西面:玻璃面积占建筑物西面面积的55%,占其他三个方向面积的各15%。本发明实施例考虑了12种建筑类型,三种玻璃面积变化以及五种玻璃面积分布,四个方向,获得12x3x5x4=720个样本,此外还考虑了12种建筑类型四个方向分别没有玻璃面积的情形,从而获得总共12x3x5x4+12x4=768个样本,以此作为本发明实施例的原始输入向量集。
步骤S2:对原始输入集进行归一化处理,即采用Max-Min标准化方法对原始输入集中的原数据进行线性变换,将原始输入集中的所有原数据归到[0,1]区间内,从而消除不同量纲对预测结果带来的影响,其中,线性变换公式如下:
式中,x为原始输入集中的原数据,xmin为原数据x所在列的最小值,xmax为原数据x所在列的最大值,x′为原数据x经Max-Min标准化后的值;
步骤S3:通过最小角回归算法对原始输入向量集中的高维输入向量进行降维,提取原始输入向量集中的主要特征,步骤如下:
设定所述最小角回归算法的待优化函数为:
上式中,xij为建筑能耗值的第i个历史样本的第j个自变量,其中,第i个历史样本表示为(xi1,xi2xi3......xip),yi为第i个历史样本对应的因变量的真实值,βj为变量xij的系数,表示待优化函数沿着最小二乘解的方向进行,友示最小角回归算法中某一迭代步骤中所有变量xijβj的向量和,即最小回归算法中的预测值,t为约束值;
待优化函数的目标为使得待优化函数的值达到最小,其沿着最小二乘解的方向前进,寻找与当前残差相关性最大的变量,每前进一步便更新所有变量的系数βi,当约束值t较小时,会将相关性较小的变量系数压缩为0并将此变量滤掉,而将系数不为0的变量作为最小角回归算法选出的变量,通过调节约束值t对输入变量进行选择,从而实现对输入向量的降维。
如图2所示为本发明实施例的变量选择路径图,首先与因变量冷负荷相关性最大的变量建筑总高度X5被选入,随后依次被选入的变量为建筑的墙面积X3,玻璃面积X7,相对气密性X1,方向X6和玻璃面积分布X8,每选入一个变量都会更新所有已选变量的系数。本实施例中选择步数为7,建筑表面积X2和屋顶面积X4的回归系数被压缩为0,将回归系数不为0的变量作为最小角回归算法选择出的变量,即将建筑总高度,墙面积,玻璃面积,玻璃面积分布,相对气密性和方向6个变量作为训练建筑能耗预测模型的主要特征。
步骤S4:本发明实施例采用分层交叉验证方法分割训练集与测试集,其具体方法为首先将降维后的输入向量集划分为k份,在划分的k份中,每一份样本内各类别数据的比例和原始输入向量集中各类别的比例相同,其中的k-1份作为训练集,剩下的一份作为模型的测试集。本发明实施例中k取6,即训练集与测试集之比为5∶1,图3所示为本发明实施例通过分层交叉验证得到的训练集与测试集。
步骤S4中,对降维后的输入向量集进行训练的具体方法如下:
步骤S41:使用常量初始化建筑能耗预测模型,得到初始化的建筑能耗预测模型;
步骤S42:对初始化的建筑能耗预测模型通过弱学习器进行迭代训练,得到经过m轮迭代训练得到的强学习器;
步骤S43:输出经过M次迭代得到的强学习器FM(x),所述FM(x)即为建筑能耗预测模型。
步骤S5:获取待预测建筑的建筑能耗值的实时样本数据,并经过步骤S2与步骤S3处理后,输入经过步骤S4得到的建筑能耗预测模型,得到建筑能耗的预测值;
步骤S6:采用均方误差MSE,平均绝对百分比误差MAPE,拟合度R2和能耗预测模型运行时间Time作为能耗预测模型的评价指标,其表达式如下:
式中,yi为测试集的实际输出值,为预测输出值,为实际输出值的平均值,n为测试集的样本数量。
初始化的建筑能耗预测模型为:
上式中,F0表示初始化的建筑能耗预测模型的函数表示;
argmin表示模型朝着求取损失函数最小值的方向进行;
μ表示模型中预测值的常量初始化值;
L(yi,μ)表示模型的损失函数。
对初始化的建筑能耗预测模型进行迭代训练的方法为:
步骤S421:获取第m轮迭代的第i个历史样本的损失函数负梯度方向,即:
上式中,Fm-1(x)表示上一轮的训练模型函数,m表示弱学习器的迭代次数,rim表示第m轮模型通过学习上一轮模型训练过程中的错误样本计算出的损失函数的负梯度方向;
步骤S422:通过增加弱学习器来优化模型,其中弱学习器为决策树,通过求解负梯度rim与弱学习器的最小二乘解来获得弱学习器的拟合残差αm:
上式中,δ表示弱学习器的权重系数,hm表示第m轮训练过程中所加的弱学习器,αm表示弱学习器hm与负梯度rim最小二乘解方向求得的拟合残差,α表示弱学习器hm中拟合残差的常量初始化值;
步骤S423:计算弱学习器的权重系数δm:
上式中,δm表示求取因变量真实值yi与模型训练预测值最小二乘解时得到的弱学习器的权重系数;
步骤S424:输出经过本轮迭代训练后得到的强学习器。
经过m轮迭代得到的强学习器的表达式为:
Fm(x)=Fm-1(x)+εδmhm(xi,αim)
上式中,ε表示模型的训练步长。
在本发明的实施例中,梯度提升回归模型中的弱学习器最大迭代次数M取720,作为弱学习器的决策树最大深度取5,训练步长ε取0.1,其他参数取默认值,得到建筑能耗预测模型。
本发明提出的建筑能耗预测方法,可有效消除输入变量间的共线性问题,滤掉冗余变量,提高模型的运行速度,实现建筑能耗的精准预测。在本发明的实施例中,该建筑能耗预测方法可以在建筑前期帮助建筑师快速准确的选择出最佳的节能建筑结构参数。
以上所述,仅用以说明本发明的实施例而非限制,凡对本发明的方法所做的任何修改,等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于,主要包括如下步骤:
步骤S1:获取待预测建筑的建筑能耗值的历史样本数据,并将其作为原始输入向量集;
步骤S2:对原始输入向量集进行归一化处理;
步骤S3:通过最小角回归算法对原始输入向量集中的高维输入向量进行降维,提取原始输入向量集中的主要特征;
步骤S4:采用分层交叉验证方法将S3得到的降维后的输入向量集进行训练集与测试集的分割,然后采用梯度提升回归模型对训练集进行训练,得到建筑能耗预测模型;
步骤S5:获取待预测建筑的建筑能耗值的实时样本数据,并经过步骤S2与步骤S3处理后,输入经过步骤S4得到的建筑能耗预测模型,得到建筑能耗的预测值;
步骤S6:采用均方误差、平均绝对百分比误差、拟合度和建筑能耗预测模型的运行时间作为建筑能耗预测模型的评估指标,其中,均方误差、平均绝对百分比误差越小表示预测效果越佳,拟合度越接近1表明预测值与真实能耗值越接近,在保证准确率的情况下,建筑能耗预测模型的运行时间越少表明其性能越好。
2.如权利要求1所述的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于:所述步骤S2的具体方法如下:
对原始输入集进行归一化处理,即采用Max-Min标准化方法对原始输入集中的原数据进行线性变换,将原始输入集中的所有原数据归到[0,1]区间内,从而消除不同量纲对预测结果带来的影响,其中,线性变换公式如下:
式中,x为原始输入集中原数据,xmin为原数据x所在列的最小值,xmax为原数据x所在列的最大值,x′为原数据x经Max-Min标准化后的值。
3.如权利要求1所述的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于:所述步骤S3的具体方法如下:
设定所述最小角回归算法的待优化函数为:
上式中,xij为建筑能耗值的第i个历史样本的第j个自变量,其中,第i个历史样本表示为(xi1,xi2xi3......xip),yi为第i个历史样本对应的因变量的真实值,βj为变量xij的系数,表示待优化函数沿着最小二乘解的方向进行,表示最小角回归算法中某一迭代步骤中所有变量xijβj的向量和,即最小回归算法中的预测值,t为约束值;
待优化函数的目标为使得待优化函数的值达到最小,其沿着最小二乘解的方向前进,寻找与当前残差相关性最大的变量,每前进一步便更新所有变量的系数βj,当约束值t较小时,会将相关性较小的变量系数压缩为0并将此变量滤掉,而将系数不为0的变量作为最小角回归算法选出的变量,通过调节约束值t对输入变量进行选择,从而实现对输入向量的降维。
4.如权利要求1所述的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于:步骤S4中,训练集和测试集分割的方法为:
首先,将降维后的输入向量集划分为k份,在划分的k份中,每一份样本内各类别数据的比例和原始输入向量集中各类别的比例相同,其中的k-1份作为训练集,剩下的一份作为测试集。
5.如权利要求4所述的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于:步骤S4中,对降维后的输入向量集进行训练的具体方法如下:
步骤S41:使用常量初始化建筑能耗预测模型,得到初始化的建筑能耗预测模型;
步骤S42:对初始化的建筑能耗预测模型通过弱学习器进行迭代训练,得到经过m轮迭代训练得到的强学习器;
步骤S43:输出经过M次迭代得到的强学习器FM(x),所述FM(x)即为建筑能耗预测模型。
6.如权利要求1所述的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于:所述步骤S6的具体方法如下:
采用均方误差MSE,平均绝对百分比误差MAPE,拟合度R2和能耗预测模型运行时间Time作为能耗预测模型的评价指标,其表达式如下:
式中,yi为测试集的实际输出值,为预测输出值,为实际输出值的平均值,n为测试集的样本数量。
7.如权利要求5所述的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于:初始化的建筑能耗预测模型为:
上式中,F0表示初始化的建筑能耗预测模型的函数表示;
argmin表示模型朝着求取损失函数最小值的方向进行;
μ表示模型中预测值的常量初始化值;
L(yi,μ)表示模型的损失函数。
8.如权利要求7所述的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于:对初始化的建筑能耗预测模型进行迭代训练的方法为:
步骤S421:获取第m轮迭代的第i个历史样本的损失函数负梯度方向,即:
上式中,Fm-1(x)表示上一轮的训练模型函数,m表示弱学习器的迭代次数,rim表示第m轮模型通过学习上一轮训练过程中的错误样本计算出的损失函数的负梯度方向。
步骤S422:通过增加弱学习器来优化模型,其中弱学习器为决策树,通过求解负梯度rim与弱学习器的最小二乘解来获得弱学习器的拟合残差αm:
上式中,δ表示弱学习器的权重系数,hm表示第m轮训练过程中所加的弱学习器,αm表示弱学习器hm与负梯度rim最小二乘解方向求得的拟合残差,α表示弱学习器hm中拟合残差的常量初始化值。
步骤S423:计算弱学习器的权重系数δm:
上式中,δm表示求取因变量真实值yi与模型训练预测值最小二乘解时得到的弱学习器的权重系数;
步骤S424:输出经过本轮迭代训练后得到的强学习器。
9.如权利要求8所述的基于最小角回归和梯度提升模型的建筑能耗预测方法,其特征在于:经过m轮迭代得到的强学习器的表达式为:
Fm(x)=Fm-1(x)+εδmhm(xi,αim)
上式中,ε表示模型的训练步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910484091.3A CN110188963A (zh) | 2019-06-05 | 2019-06-05 | 基于最小角回归和梯度提升模型的建筑能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910484091.3A CN110188963A (zh) | 2019-06-05 | 2019-06-05 | 基于最小角回归和梯度提升模型的建筑能耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188963A true CN110188963A (zh) | 2019-08-30 |
Family
ID=67720278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910484091.3A Pending CN110188963A (zh) | 2019-06-05 | 2019-06-05 | 基于最小角回归和梯度提升模型的建筑能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188963A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
CN110889457A (zh) * | 2019-12-03 | 2020-03-17 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
CN111797541A (zh) * | 2020-07-20 | 2020-10-20 | 吉林大学 | 一种场线耦合不确定性量化及全局灵敏度计算方法 |
CN112528232A (zh) * | 2020-12-29 | 2021-03-19 | 象辑知源(武汉)科技有限公司 | 一种基于梯度提升回归gbr模型的气温数据空间插值方法 |
CN115809730A (zh) * | 2022-11-28 | 2023-03-17 | 东北石油大学 | 一种大型原油储罐热量损失预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315884A (zh) * | 2017-07-04 | 2017-11-03 | 北京首钢自动化信息技术有限公司 | 一种基于线性回归的建筑能耗建模方法 |
CN108172301A (zh) * | 2018-01-31 | 2018-06-15 | 中国科学院软件研究所 | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
CN109615152A (zh) * | 2019-02-21 | 2019-04-12 | 南方电网科学研究院有限责任公司 | 基于成本导向梯度上升回归树的风力发电预测方法及产品 |
-
2019
- 2019-06-05 CN CN201910484091.3A patent/CN110188963A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315884A (zh) * | 2017-07-04 | 2017-11-03 | 北京首钢自动化信息技术有限公司 | 一种基于线性回归的建筑能耗建模方法 |
CN108172301A (zh) * | 2018-01-31 | 2018-06-15 | 中国科学院软件研究所 | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
CN109615152A (zh) * | 2019-02-21 | 2019-04-12 | 南方电网科学研究院有限责任公司 | 基于成本导向梯度上升回归树的风力发电预测方法及产品 |
Non-Patent Citations (2)
Title |
---|
戴坤成等: "基于PCA与RBF的建筑能耗预测建模", 《福州大学学报(自然科学版)》 * |
王伟通等: "梯度提升回归树在短期建筑能耗预测中的应用", 《建筑节能》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
CN110866528B (zh) * | 2019-10-28 | 2023-11-28 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
CN110889457A (zh) * | 2019-12-03 | 2020-03-17 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
CN110889457B (zh) * | 2019-12-03 | 2022-08-19 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
CN111797541A (zh) * | 2020-07-20 | 2020-10-20 | 吉林大学 | 一种场线耦合不确定性量化及全局灵敏度计算方法 |
CN111797541B (zh) * | 2020-07-20 | 2022-08-26 | 吉林大学 | 一种场线耦合不确定性量化及全局灵敏度计算方法 |
CN112528232A (zh) * | 2020-12-29 | 2021-03-19 | 象辑知源(武汉)科技有限公司 | 一种基于梯度提升回归gbr模型的气温数据空间插值方法 |
CN115809730A (zh) * | 2022-11-28 | 2023-03-17 | 东北石油大学 | 一种大型原油储罐热量损失预测方法 |
CN115809730B (zh) * | 2022-11-28 | 2023-05-09 | 东北石油大学 | 一种大型原油储罐热量损失预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188963A (zh) | 基于最小角回归和梯度提升模型的建筑能耗预测方法 | |
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN102750702B (zh) | 基于优化bp神经网络模型的单目红外图像深度估计方法 | |
CN107229602B (zh) | 一种智能楼宇微网用电行为的识别方法 | |
CN111260187A (zh) | 一种智能矿山地质环境信息评价系统及评价方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN105046326B (zh) | 基于功图主元分析的抽油机参数优化方法 | |
CN107730006A (zh) | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 | |
CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN111709318B (zh) | 一种基于生成对抗网络的高分辨率遥感图像分类方法 | |
CN106228197A (zh) | 一种基于自适应极限学习机的卫星图像云量识别方法 | |
CN112784140A (zh) | 一种高能效神经网络架构的搜索方法 | |
Nazari et al. | Convolutional versus dense neural networks: Comparing the two neural networks performance in predicting building operational energy use based on the building shape | |
Zhu et al. | Building Blocks Energy Estimation (BBEE): A method for building energy estimation on district level | |
CN110991705B (zh) | 一种基于深度学习的城市扩展预测方法及系统 | |
CN113868954A (zh) | 一种空调负荷预测方法及系统 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
CN112651317A (zh) | 一种样本关系学习的高光谱图像分类方法及系统 | |
De Luca et al. | Solar collection multi-isosurface method: computational design advanced method for the prediction of direct solar access in urban environments | |
Qin et al. | A wireless sensor network location algorithm based on insufficient fingerprint information | |
CN109919374A (zh) | 基于apso-bp神经网络的股票价格预测方法 | |
CN104008493B (zh) | 一种数据获取方法及装置 | |
CN116881676A (zh) | 一种露天坑涌水量的预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190830 |
|
WD01 | Invention patent application deemed withdrawn after publication |