CN112070317A - 酒店空调能耗预测方法 - Google Patents
酒店空调能耗预测方法 Download PDFInfo
- Publication number
- CN112070317A CN112070317A CN202010980800.XA CN202010980800A CN112070317A CN 112070317 A CN112070317 A CN 112070317A CN 202010980800 A CN202010980800 A CN 202010980800A CN 112070317 A CN112070317 A CN 112070317A
- Authority
- CN
- China
- Prior art keywords
- hotel
- training
- data
- energy consumption
- air conditioner
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005265 energy consumption Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 27
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据领域,具体涉及一种酒店空调能耗预测方法,能够实现对酒店数据进行采集分类,整体训练学习,并构建融合模型进行能耗预测,能够提高预测值的准确度并提高效率。技术方案为,根据相应酒店数据建立数据集合,并将数据集合划分为训练集、验证集、测试集;依据训练集、验证集、测试集,并设定相应时间数据进行整体训练,获得整体训练流程;采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型;基于融合模型,输入任意时段相应酒店数据,即可预测得到相应时段的酒店空调能耗预测值。本发明适用于酒店空调能耗预测。
Description
技术领域
本发明涉及大数据领域,具体涉及一种酒店空调能耗预测方法。
背景技术
近年来,随着物联网领域的快速发展,各行各业都将物联网技术应用到企业日常运营管理中来,随之产生了大量的数据信息,但相应的数据分析应用领域缺未见有明显改善。而在酒店管理领域,日常运营成本中相当一部分归属于能耗支出,而能耗支出中,空调的电力消耗又占到近一半。因此,如果能相对准确的预测出酒店空调能耗,及时发现能耗异常并作出相应应对措施,无疑对酒店精细化管理大大有益。
现阶段酒店管理中对能耗预测普遍采用依据往年经验预测未来能耗,准确度低且效率不高。少数部署能源采集管理系统的酒店,也只是将能耗数据采集的方式从人工采集变为传感器采集,并未对数据做有效处理。
发明内容
本发明的目的是提供一种酒店空调能耗预测方法,能够实现对酒店数据进行采集分类,整体训练学习,并构建融合模型进行能耗预测,能够提高预测值的准确度并提高效率,进一步提高了酒店能耗利用效率和酒店精细化运维管理水平。
本发明采取如下技术方案实现上述目的,酒店空调能耗预测方法,包括:
步骤(1)、根据相应酒店数据建立数据集合,并将数据集合划分为训练集、验证集、测试集;
步骤(2)、依据训练集、验证集、测试集,并设定相应时间数据进行整体训练,获得整体训练流程;
步骤(3)、采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型;
步骤(4)、基于融合模型,输入任意时段相应酒店数据,即可预测得到相应时段的酒店空调能耗预测值。
进一步的是,在步骤(1)中,所述酒店数据包括:酒店历史能耗数据、酒店经营数据以及酒店环境数据。
进一步的是,在步骤(2)中,所述获得整体训练流程的具体实施方式包括:依据训练集、验证集、测试集,以酒店经营数据、酒店环境数据为输入参数,酒店历史能耗数据为输出参数,并设定相应时间数据进行整体训练,获得整体训练流程。
进一步的是,在步骤(4)中,所述酒店数据包括:酒店室外温度,酒店室内温度,酒店入住人数。
进一步的是,所述酒店室外温度与酒店室内温度通过Lora本地组网采集得到。
进一步的是,所述通过Lora本地组网采集得到包括:特定区域和时间范围内的每个温度传感器的测量值作为对应的递归神经网络的输入,多个递归神经网络输出作为WNN神经网络的输入,WNN神经网络的输出为区间数RBF神经网络的输入,最后,区间数RBF神经网络的输出作为温度采集模块的最终输出。
进一步的是,在步骤(2)中,所述整体训练流程包括:
A、将数据集打乱并按照相应比例分割,然后加入训练集;
B、将训练集载入模型开始训练;
C、在训练过程中使用验证集检查训练过程是否发生过拟合,若是,则进入步骤D,否则回到步骤B;
D、判断是否满意验证集的正确率,若是,则进入步骤E,否则换一个模型并回到步骤B;
E、判断是否满意测试集的正确率,若是,则训练成功并获得该训练流程,否则回到步骤A。
进一步的是,在步骤B或D中,所述模型为BP神经网络或卷积神经网络或循环神经网络或深度神经网络。
进一步的是,在步骤(3)中,所述采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型包括:
31、在样本训练集中使用权重1训练出弱学习器1;
32、根据弱学习器1的学习误差率表现来更新权重1对应的权重系数a1,使得导致弱学习器1学习误差率高的样本训练点的权重变高;
33、使用更新后的权重系数a1更新权重2,并在样本训练集中使用权重2训练出弱学习器2;
34、根据弱学习器2的学习误差率表现来更新权重2对应的权重系数a2,使得导致弱学习器2学习误差率高的样本训练点的权重变高;
35、循环上述步骤,直到弱学习器的数量达到事先设定的数量T;
36、将T个弱学习器通过加权平均融合策略进行整合,得到最终的强学习器,即最终融合模型。
本发明对酒店数据进行采集分类,整体训练学习,采用AdaBoost算法结合整体训练过程构建融合模型,并对AdaBoost算法中权重处理做了改进,使得预测的错误率得到了极大下降,能够提高预测值的准确度并提高效率,进一步提高了酒店能耗利用效率和酒店精细化运维管理水平。
附图说明
图1是本发明的方法流程图。
图2是本发明整体训练流程图。
图3是本发明构建融合模型过程示意图。
具体实施方式
本发明酒店空调能耗预测方法,其方法流程图如图1,包括以下步骤,
步骤101:根据相应酒店数据建立数据集合,并将数据集合划分为训练集、验证集、测试集;
步骤102:依据训练集、验证集、测试集,并设定相应时间数据进行整体训练,获得整体训练流程;
步骤103:采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型;
步骤104:基于融合模型,输入任意时段相应酒店数据,即可预测得到相应时段的酒店空调能耗预测值。
步骤101中,酒店数据包括:酒店历史能耗数据、酒店经营数据以及酒店环境数据。
步骤102中,获得整体训练流程的具体实施步骤还包括:以酒店经营数据、酒店环境数据为输入参数,酒店历史能耗数据为输出参数。
步骤102中,整体训练流程的具体方法步骤如图2,包括:
A、将事先准备好的数据集打乱并按照一定比例分割,然后加入训练集;
B、将训练集载入模型开始一轮训练;
C、在训练过程中使用验证集检查训练过程是否发生过拟合,若是,则进入步骤D,否则回到步骤B;
D、判断是否满意验证集的正确率,若是,则进入步骤E,否则换一个模型并回到步骤B;
E、判断是否满意测试集的正确率,若是,则训练成功并获得该训练流程,否则回到步骤A。
其中在步骤B或D中,所述模型为BP神经网络或卷积神经网络或循环神经网络或深度神经网络。
步骤103中,所述采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型的具体过程如图3,包括:
31、在样本训练集中使用权重D(1)训练出弱学习器1;
32、根据弱学习器1的学习误差率表现来更新权重D(1)对应的权重系数a1,使得导致弱学习器1学习误差率高的样本训练点的权重变高;
33、使用更新后的权重系数a1更新权重D(2),并在样本训练集中使用权重D(2)训练出弱学习器2;
34、根据弱学习器2的学习误差率表现来更新权重D(2)对应的权重系数a2,使得导致弱学习器2学习误差率高的样本训练点的权重变高;
35、循环上述步骤,直到弱学习器的数量达到事先设定的数量T;
36、将T个弱学习器通过加权平均融合策略进行整合,得到最终的强学习器,即最终融合模型。
本发明还可以在AdaBoost算法基础上改进了权重更新规则:对每轮训练设置一个阈值Y,当对应的弱学习器T权重系数aT>Y时,使aT=Y,因而其权重最大值不会超过Y,在一定程度上避免了过分配现象。因此,相比传统方法在训练速度和训练准确度上有明显提高。
步骤104中,酒店数据包括:酒店室外温度,酒店室内温度,酒店入住人数。
其中,酒店室外温度与酒店室内温度通过Lora本地组网采集得到,通过Lora本地组网采集得到包括:特定区域和时间范围内的每个温度传感器的测量值作为对应的递归神经网络的输入,多个递归神经网络输出作为WNN神经网络的输入,WNN神经网络的输出为区间数RBF神经网络的输入,最后,区间数RBF神经网络的输出作为温度采集模块的最终输出。由于该方案输出的是特定区域和时间范围内的区间数而非单一数值,有效地规避了客房室内温度、餐厅室内温度、泳池室内温度、空调进出水温度和室外温度传感器数据的模糊性、动态性和不确定性,提高了传感器值检测参数的准确性和可信度。
综上所述,本发明能够提高预测值的准确度并提高效率,进一步提高了酒店能耗利用效率和酒店精细化运维管理水平。
Claims (9)
1.酒店空调能耗预测方法,其特征在于,包括:
步骤(1)、根据相应酒店数据建立数据集合,并将数据集合划分为训练集、验证集、测试集;
步骤(2)、依据训练集、验证集、测试集,并设定相应时间数据进行整体训练,获得整体训练流程;
步骤(3)、采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型;
步骤(4)、基于融合模型,输入任意时段相应酒店数据,即可预测得到相应时段的酒店空调能耗预测值。
2.根据权利要求1所述的酒店空调能耗预测方法,其特征在于,在步骤(1)中,所述酒店数据包括:酒店历史能耗数据、酒店经营数据以及酒店环境数据。
3.根据权利要求2所述的酒店空调能耗预测方法,其特征在于,在步骤(2)中,所述获得整体训练流程的具体实施方式包括:依据训练集、验证集、测试集,以酒店经营数据、酒店环境数据为输入参数,酒店历史能耗数据为输出参数,并设定相应时间数据进行整体训练,获得整体训练流程。
4.根据权利要求1所述的酒店空调能耗预测方法,其特征在于,在步骤(4)中,所述酒店数据包括:酒店室外温度,酒店室内温度,酒店入住人数。
5.根据权利要求4所述的酒店空调能耗预测方法,其特征在于,所述酒店室外温度与酒店室内温度通过Lora本地组网采集得到。
6.根据权利要求5所述的酒店空调能耗预测方法,其特征在于,所述通过Lora本地组网采集得到包括:特定区域和时间范围内的每个温度传感器的测量值作为对应的递归神经网络的输入,多个递归神经网络输出作为WNN神经网络的输入,WNN神经网络的输出为区间数RBF神经网络的输入,最后,区间数RBF神经网络的输出作为温度采集模块的最终输出。
7.根据权利要求1所述的酒店空调能耗预测方法,其特征在于,在步骤(2)中,所述整体训练流程包括:
A、将数据集打乱并按照相应比例分割,然后加入训练集;
B、将训练集载入模型开始训练;
C、在训练过程中使用验证集检查训练过程是否发生过拟合,若是,则进入步骤D,否则回到步骤B;
D、判断是否满意验证集的正确率,若是,则进入步骤E,否则换一个模型并回到步骤B;
E、判断是否满意测试集的正确率,若是,则训练成功并获得该训练流程,否则回到步骤A。
8.根据权利要求7所述的酒店空调能耗预测方法,其特征在于,在步骤B或D中,所述模型为BP神经网络或卷积神经网络或循环神经网络或深度神经网络。
9.根据权利要求1所述的酒店空调能耗预测方法,其特征在于,在步骤(3)中,所述采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型包括:
31、在样本训练集中使用权重1训练出弱学习器1;
32、根据弱学习器1的学习误差率表现来更新权重1对应的权重系数a1,使得导致弱学习器1学习误差率高的样本训练点的权重变高;
33、使用更新后的权重系数a1更新权重2,并在样本训练集中使用权重2训练出弱学习器2;
34、根据弱学习器2的学习误差率表现来更新权重2对应的权重系数a2,使得导致弱学习器2学习误差率高的样本训练点的权重变高;
35、循环上述步骤,直到弱学习器的数量达到事先设定的数量T;
36、将T个弱学习器通过加权平均融合策略进行整合,得到最终的强学习器,即最终融合模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010980800.XA CN112070317A (zh) | 2020-09-17 | 2020-09-17 | 酒店空调能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010980800.XA CN112070317A (zh) | 2020-09-17 | 2020-09-17 | 酒店空调能耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070317A true CN112070317A (zh) | 2020-12-11 |
Family
ID=73682030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010980800.XA Pending CN112070317A (zh) | 2020-09-17 | 2020-09-17 | 酒店空调能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070317A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486433A (zh) * | 2020-12-31 | 2021-10-08 | 上海东方低碳科技产业股份有限公司 | 用于净零能耗建筑的能耗缺数的计算方法以及填充系统 |
CN114118530A (zh) * | 2021-11-04 | 2022-03-01 | 杭州经纬信息技术股份有限公司 | 一种基于多户电力消耗预测模型的预测方法及装置 |
CN115985000A (zh) * | 2023-03-17 | 2023-04-18 | 威海海洋职业学院 | 一种基于门禁端的酒店财务数据验证方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529818A (zh) * | 2016-11-16 | 2017-03-22 | 河南工程学院 | 基于模糊小波神经网络的水质评价预测方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN107333294A (zh) * | 2017-07-31 | 2017-11-07 | 南昌航空大学 | 一种结合AdaBoost和支持向量机的链路质量预测方法 |
CN109102103A (zh) * | 2018-06-26 | 2018-12-28 | 上海鲁班软件股份有限公司 | 一种基于循环神经网络的多类别能耗预测方法 |
CN110163430A (zh) * | 2019-05-10 | 2019-08-23 | 东南大学 | 基于AdaBoost算法的混凝土材料抗压强度预测方法 |
US20190286215A1 (en) * | 2018-03-16 | 2019-09-19 | Vigyanlabs Innovations Private Limited | System and method to enable prediction-based power management |
CN110824922A (zh) * | 2019-11-22 | 2020-02-21 | 电子科技大学 | 基于六阶b-样条小波神经网络的史密斯预估补偿方法 |
CN111426344A (zh) * | 2020-03-20 | 2020-07-17 | 淮阴工学院 | 一种建筑物能耗智能检测系统 |
-
2020
- 2020-09-17 CN CN202010980800.XA patent/CN112070317A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529818A (zh) * | 2016-11-16 | 2017-03-22 | 河南工程学院 | 基于模糊小波神经网络的水质评价预测方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN107333294A (zh) * | 2017-07-31 | 2017-11-07 | 南昌航空大学 | 一种结合AdaBoost和支持向量机的链路质量预测方法 |
US20190286215A1 (en) * | 2018-03-16 | 2019-09-19 | Vigyanlabs Innovations Private Limited | System and method to enable prediction-based power management |
CN109102103A (zh) * | 2018-06-26 | 2018-12-28 | 上海鲁班软件股份有限公司 | 一种基于循环神经网络的多类别能耗预测方法 |
CN110163430A (zh) * | 2019-05-10 | 2019-08-23 | 东南大学 | 基于AdaBoost算法的混凝土材料抗压强度预测方法 |
CN110824922A (zh) * | 2019-11-22 | 2020-02-21 | 电子科技大学 | 基于六阶b-样条小波神经网络的史密斯预估补偿方法 |
CN111426344A (zh) * | 2020-03-20 | 2020-07-17 | 淮阴工学院 | 一种建筑物能耗智能检测系统 |
Non-Patent Citations (1)
Title |
---|
方涛涛等: "基于BP-Adaboost算法的建筑能耗预测研究", 《科技通报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486433A (zh) * | 2020-12-31 | 2021-10-08 | 上海东方低碳科技产业股份有限公司 | 用于净零能耗建筑的能耗缺数的计算方法以及填充系统 |
CN114118530A (zh) * | 2021-11-04 | 2022-03-01 | 杭州经纬信息技术股份有限公司 | 一种基于多户电力消耗预测模型的预测方法及装置 |
CN115985000A (zh) * | 2023-03-17 | 2023-04-18 | 威海海洋职业学院 | 一种基于门禁端的酒店财务数据验证方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046743B (zh) | 基于ga-ann的公共建筑能耗预测方法和系统 | |
CN112070317A (zh) | 酒店空调能耗预测方法 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
CN111461292B (zh) | 一种无人机实时轨迹预测方法 | |
CN112465243A (zh) | 一种空气质量预报方法及系统 | |
CN111343650B (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
CN111140986A (zh) | 空调系统的运行状态检测方法、装置、存储介质及空调 | |
CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN108615097A (zh) | 一种风速预测方法、系统、设备及计算机可读存储介质 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
Elkhoukhi et al. | On the use of deep learning approaches for occupancy prediction in energy efficient buildings | |
CN105224738A (zh) | Lssvm非高斯脉动风速预测方法 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN114897241A (zh) | 一种基于数字孪生的楼宇能效智能化监管预测方法 | |
CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN108647817A (zh) | 一种能耗负荷的预测方法及预测系统 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN113591078A (zh) | 基于卷积神经网络架构优化的工控入侵检测系统及方法 | |
CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |
|
RJ01 | Rejection of invention patent application after publication |