CN113420921B - 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法 - Google Patents
一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法 Download PDFInfo
- Publication number
- CN113420921B CN113420921B CN202110699222.7A CN202110699222A CN113420921B CN 113420921 B CN113420921 B CN 113420921B CN 202110699222 A CN202110699222 A CN 202110699222A CN 113420921 B CN113420921 B CN 113420921B
- Authority
- CN
- China
- Prior art keywords
- personnel
- different
- building
- movement
- energy consumption
- 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
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法,该方法包括以下步骤:对区域内人员发放问卷并选取人员佩戴GPS定位设备测试,获得人员定位数据;获得人员移动轨迹和热力轨迹图;得到人员全天活动分布的频率统计;对人员的移动规律进行分类;获得不同移动类型的人员在不同时刻出现在不同类型代表建筑中的概率;使用贝叶斯分类对问卷进行分类训练;确定工作时间不同建筑中不同人员移动类型所占的比例;计算得到不同类型的建筑在不同时刻的人员在室率;对建筑的逐时能耗进行模拟。本发明针对于解决区域建筑能耗预测,为实现区域建筑用能需求预测提供可靠的工具,为区域建筑能源管理以及建筑节能提供方法支撑。
Description
技术领域
本发明属于暖通空调领域,具体涉及一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法。
背景技术
区域建筑群通常包含多种类型的建筑,区域功能往往集多种功能于一体,区域内部的人员在移动规律上与单体建筑间存在一定的差异,区域内部人员转移存在一定的规律性。常见的建筑中人员移动的主要研究方法有固定作息法、随机作息法、时自相关的随机过程三类,国内外学者就此提出了多种模型。目前针对单体建筑人员转移规律的研究已经开发出多种模型和理论,这些模型和理论都能够在一定程度上反映人员与建筑的交互过程,但上述研究依然存在以下问题:
从研究层面来看,人员移动的模拟主要着眼于房间层面和建筑层面,建筑层面的模拟主要从在室率来体现,对于区域建筑的人员转移研究存在不足。人员区域转移规律主要指的是,当人员处于一个相对封闭的区域时,在不同建筑之间转移的规律,区域内不同类型的建筑内人员数量会存在此消彼长的特点,人员在区域建筑区域内的转移规律与其他类型的建筑间存在不同,区域建筑的能耗变化也会与单体建筑的简单组合存在差异,其中规律性缺乏充分的研究,因此有必要以区域为对象研究区域建筑内人员在不同类型建筑之间的移动规律,进而将其应用于区域建筑群的能耗预测。
发明内容
基于区域建筑群人员活动的特点,本发明提供一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法,以解决区域建筑中人员转移规律与负荷预测的研究不足。
为实现上述目的,本发明提出了一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法,包括以下步骤:
步骤1:在给参与测试的人员发放GPS定位设备之前,针对携带GPS定位设备进行测试的人员和各类型建筑内部人员发放同样的调查问卷,调查问卷重点在于调查人员常去的建筑及时间。同时选择被调查人员中的部分人员,要求其佩戴GPS定位设备进行更详细的追踪测试。
步骤2:通过步骤1获得人员的GPS定位轨迹后,通过定位仪上传人员逐时的经纬度位置,调用必应地图的应用程序编程接口(Application Programming Interface)后,即可将获得的人员逐时的经纬度位置在必应地图中生成人员的轨迹图。
步骤3:将步骤2获得的人员轨迹图结合python中的heatmap功能绘制出人员的热力轨迹图,并将所有携带GPS人员的逐时轨迹放在同一张热力轨迹图上,实现人员移动规律的可视化,选择其中热度较高的建筑作为区域建筑群的代表建筑,对于具有相同使用功能的建筑应归为一类。
步骤4:在步骤3的基础上对定位仪中全部人员逐时位置信息进行统计记录,得到区域内人员全天关于代表建筑分布的频率统计。
步骤5:在步骤4的基础上对除去就餐和晚上睡觉时间的单个人员逐时信息进行统计,可以对人员在一天内的移动状态规律进行分类,常用的人员移动类型划分包括“地点1”,“地点1~地点2”,“地点1~地点3”,“地点1~地点2~地点3”等。
步骤6:根据步骤4得到的人员移动类型和不同人员类型对应的移动规律可以得到不同移动类型的人员在不同时刻出现在不同类型代表建筑中的概率。
步骤7:以GPS携带人员发放的调查问卷作为训练样本,根据已知的人员移动类别通过朴素贝叶斯分类对问卷进行分类训练,建立起不同问卷与不同人员移动类型的对应关系。朴素贝叶斯分类的原理如下:
朴素贝叶斯分类器基于一个简单的假定:给定目标值时属性之间相互条件独立——朴素贝叶斯假设(Naive Bayes Assumption),也即是特征向量中一个特征的取值并不影响其他特征的取值,如下式所示:
式中y代表向量,xi表示y的第i个特征值。
对于任意事件,其全概率公式可以用式(2)来表示:
在贝叶斯假设成立的前提下将式(1)代入(2),可以获得如下简化公式:
贝叶斯分类既是在式(3)的基础上建立分类模型:假设给出m个训练样本作为训练样本空间,那么其对数极大似然函数为:
其中
将式(3)代入式(5)即可获得:
将(4)式代入(6)后,可以确定需要确定的参数的值为:
最终可以获得贝叶斯分类模型的表达式如下所示:
步骤8:将步骤7的分类和对应方法推广至全部接受问卷调研的人员,可得到区域中各种人员移动类型的比例和工作时间不同建筑中不同人员移动类型所占的比例。
步骤9:根据步骤7获得的工作时间不同建筑中不同移动人员类型所占的比例和步骤6获得的不同类型人员的移动规律,即可得到不同类型的建筑在不同时刻的人员在室率。在室率的定义为:
建筑人员在室率=∑建筑内人员移动类型的比例×对应人员移动类型的移动规律
步骤10:将步骤9得到的逐时人员在室率导入建筑能耗模拟软件,即可对建筑的逐时能耗进行模拟,进而得到区域建筑的能耗情况。
有益效果
(1)本发明致力于解决区域建筑中能耗的预测,开发了一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法,能够对区域建筑的整体能耗进行较为准确的预测。
(2)本发明提出利用GPS定位技术获得的人员移动的热力轨迹图来实现人员移动的可视化,在反映人员移动的同时也能够反映出人员的聚集程度,进而可选择出人员热度较高的建筑作为后续研究的代表建筑。
(3)本发明通过采用贝叶斯分类的方法对人员的转移类型进行划分,在后续方法的推广中只需对人员进行问卷调研便可直接采用已有的分类标准,可以节省长期GPS监测环节。
(4)本发明提出的GPS定位监测和贝叶斯分类相结合的方法在改进已有的基于标准的固定时间表的方法的基础上,针对区域建筑的人员移动规律进行优化,提升了建筑在室率预测的准确性,也具有一定的推广适应能力。
附图说明
图1为本发明一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法的技术流程图;
图2为本发明一个实施案例中所采用的调研问卷中的部分问题;
图3为本发明一个实施案例中所采用的一种GPS定位设备;
图4为本发明一个实施案例中在地图中生成的人员轨迹图;
图5为本发明一个实施案例中6:00时人员分布热力轨迹图;
图6为本发明一个实施案例中12:00时人员分布热力轨迹图;
图7为本发明一个实施案例中16:00时人员分布热力轨迹图;
图8为本发明一个实施案例中22:00时人员分布热力轨迹图;
图9为本发明一个实施案例中各类型建筑工作时间的逐时人员在室率;
图10为本发明一个实施案例中宿舍楼模拟能耗对比;
图11为本发明一个实施案例中教学楼模拟能耗对比;
图12为本发明一个实施案例中办公楼模拟能耗对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
步骤1:本案例选取天津某高校和内部学生作为研究对象,该高校园区内拥有完整的基础生活设施,可以满足学校区域内部人员基本的生活、工作和娱乐需求,人员生活较为集中有序,符合实验对于建筑园区选择的基本要求。调研问卷设计如图2所示。由于问卷得到数据较为宽泛,为了获得更加精确的数据,选择被调查人员中的部分人员,进行更详细的追踪测试。按该高校在校生中本科生、硕士生8:5的人数比例确定样本数量,本文选择了常在园区活动的80名本科生、50名硕士生志愿者进行跟踪测试。测试期间要求测试人员携带GPS定位仪不少于两星期时间。测试用仪器如图3所示,所示的GPS定位设备能够以小时为间隔对人员的位置进行记录。
步骤2:通过步骤1获得人员逐时的GPS定位轨迹后,通过定位仪上传测试人员在测试期间内逐时的经纬度位置,然后调用必应地图的应用程序编程接口(ApplicationProgramming Interface)后,即可将获得的人员逐时的经纬度位置在必应地图中生成人员的轨迹图,轨迹图示例如图4所示。
步骤3:将步骤2获得的人员轨迹图结合python中的heatmap功能即可绘制出人员的热力轨迹图。并将所有携带GPS人员的逐时轨迹放在同一张热力轨迹图上,最终实现人员逐时移动规律的可视化,如图5~8所示。选择其中热度较高的建筑作为高校园区的代表建筑,对于具有相同使用功能的建筑应归为一类。最终选择教学楼、办公楼和宿舍楼作为本区域的代表建筑。
通过热力轨迹图可以看出,在凌晨时分,由于大部分人在宿舍休息,因此宿舍楼热度很高,人员聚集比较集中,中午午饭期间,大部分人动身前往食堂,食堂热度逐渐升至最高,随着下午工作时间的到来,办公楼热度逐渐上升,但此时食堂热度也较高,经调查主要是由于食堂提供免费空调,所有很大一部分学生选择在食堂学习,此时食堂起到了类似办公楼的作用,也应当将其等同于办公楼,在夜晚工作时间段结束后,宿舍楼热度重新变为最高,完成了一天的移动。在进行为期20天的统计后发现此规律几乎不会发生变化,可见校园人员活动的规律性。
步骤4:为了进一步挖掘人员的移动规律,在步骤3的基础上对定位仪中全部人员逐时位置信息进行统计记录,得到区域内人员全天活动分布的频率统计表,如表1所示。
表1
可以看出人员出现在宿舍楼的概率是最高的,其次是教学楼和办公楼,这也符合人员作息的实际情况,但是不同类型的人员的概率是不相同的。
通过对人员移动时间表的整合,得到GPS携带人员关于代表建筑的移动时间表,如表2和表3所示。通过两表,可以看出人员的移动存在规律性,在不同的时间节点出现在不同代表建筑的概率并非一成不变。
表2
表3
步骤5:在步骤4的基础上对除去就餐和晚上睡觉时间的单个人员逐时信息进行统计,进而对人员在一天内的移动状态规律进行分类,分类结果如表4所示。可以发现人员在一天之内的移动可以分为以下几种状态:(1)宿舍-教学楼型,指的是人员主要在宿舍和教学楼之间往返,此种类型的主要人群是本科生,一般是教学楼和图书馆。(2)宿舍-办公楼型,指的是人员主要在宿舍和办公楼之间往返,此种类型的主要人群是研究生。(3)宅在宿舍型,此状态学生基本全天待在宿舍,从宿舍人数统计结果来看,即使是人数最少的时候也依然有近20%的人留在宿舍,可见此处于状态的学生具有相当的数量;(4)漫游型,此类型学生活动没有明确的目的,教学楼和办公楼这两种类型建筑都会有几率前往;可见此类学生移动是比较随意的,此类型比例的学生数量较少,且由于去的建筑几率相同,可以认为只会拉高建筑能耗平均水平而不会是建筑能耗出现波动;(5)离校型,处于此状态下一天中会有部分时间选择离开学校,此状态学生数量最少,也侧面印证了校园活动的相对封闭性。
步骤6:根据步骤5得到的人员移动类型和不同人员类型对应的移动规律可以得到不同移动类型的人员在不同时刻出现在不同类型代表建筑中的概率。
步骤7:通过步骤5获得具体的人员移动类型后,将对GPS携带人员发放的调查问卷作为训练样本,将调查问卷中的选项转换成对应的数值,即可生成一个n维的y向量,在通过步骤5获得人员区域转移的分时分区规律之后,可以确定每一个向量y所对应的类别,建立起不同问卷与不同人员移动类型的对应关系。
步骤8:将步骤7的分类和对应方法推广至全部接受问卷调研的人员,可得到区域中各种人员移动类型的比例和工作时间不同建筑中不同人员移动类型所占的比例,如表4和表5所示。
表4
表5
步骤9:根据步骤7获得的工作时间不同建筑中不同移动人员类型所占的比例和步骤6获得的不同类型人员的移动规律,即可得到不同类型的建筑在不同时刻的人员在室率。不同建筑的办公时间逐时人员在室率如图9所示。
步骤10:将步骤9得到的逐时人员在室率导入建筑能耗模拟软件,即可对建筑的逐时能耗进行模拟,进而得到区域建筑的能耗情况,并与实测值与标准给定的固定时间表模拟得到的结果对比,如图10~12所示。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法,其特征在于,包括以下步骤:
步骤1:给测试参与者发放调研问卷并选择其中的部分人员,要求其佩戴GPS定位设备进行更详细的追踪测试;
步骤2:通过步骤1获得人员的GPS定位轨迹后,通过定位仪上传人员逐时的经纬度位置至必应地图中生成人员的轨迹图;
步骤3:将步骤2获得的人员轨迹图结合python中的heatmap功能,绘制出人员的热力轨迹图,并将所有携带GPS人员的逐时轨迹放在同一张热力轨迹图上,实现人员移动规律的可视化,选择其中热度高的建筑作为区域建筑群的代表建筑;
步骤4:在步骤3的基础上对定位仪中全部人员逐时位置信息进行统计记录,得到区域内人员全天关于代表建筑分布的频率统计;
步骤5:在步骤4的基础上对除去就餐和晚上睡觉时间的单个人员逐时信息进行统计,对人员在一天内的移动状态规律进行分类;
步骤6:根据步骤4得到的人员移动类型和不同人员类型对应的移动规律得到不同移动类型的人员在不同时刻出现在不同类型代表建筑中的概率;
步骤7:以GPS携带人员发放的调查问卷作为训练样本,根据已知的人员移动类别通过朴素贝叶斯分类对问卷进行分类训练,建立起不同问卷与不同人员移动类型的对应关系;
步骤8:将步骤7的分类和对应方法推广至全部接受问卷调研的人员,可得到区域中各种人员移动类型的比例和工作时间不同建筑中不同人员移动类型所占的比例;
步骤9:根据步骤7获得的工作时间不同建筑中不同移动人员类型所占的比例和步骤6获得的不同类型人员的移动规律,二者相乘即可得到不同类型的建筑在不同时刻的人员在室率;
步骤10:将步骤9得到的逐时人员在室率导入建筑能耗模拟软件,即可对建筑的逐时能耗进行模拟,进而得到区域建筑的能耗情况;
一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法中的贝叶斯分类方法基于朴素贝叶斯分类的原理,朴素贝叶斯分类器基于一个简单的假定:给定目标值时属性之间相互条件独立,朴素贝叶斯假设Naive Bayes Assumption,也即是特征向量中一个特征的取值并不影响其他特征的取值,如下式所示:
式中y代表向量,xi表示y的第i个特征值;
对于任意事件,其全概率公式可以用式(2)来表示:
在贝叶斯假设成立的前提下将式(1)代入(2),获得如下简化公式:
贝叶斯分类既是在式(3)的基础上建立分类模型:假设给出m个训练样本作为训练样本空间,那么其对数极大似然函数为:
其中
将式(3)代入式(5)即可获得:
将(4)式代入(6)后,确定参数的值为:
最终获得贝叶斯分类模型的表达式如下所示:
根据一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法中的步骤3和步骤4的贝叶斯分类方法对不同类型建筑中的人员依次进行分类,其实现方法为对GPS携带人员发放的调查问卷作为训练样本,将调查问卷中的选项转换成对应的数值,即可生成一个n维的y向量,在获得人员区域转移的分时分区规律之后,确定每一个向量y所对应的类别,进而对参与问卷填写的全部人员进行分类;
根据一种基于GPS定位和贝叶斯分类的区域建筑能耗预测方法中的步骤8和步骤9以获得代表建筑的逐时人员在室率,其计算方法为:
建筑人员在室率=∑人员移动类型的比例×对应人员移动类型的移动规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699222.7A CN113420921B (zh) | 2021-06-23 | 2021-06-23 | 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699222.7A CN113420921B (zh) | 2021-06-23 | 2021-06-23 | 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420921A CN113420921A (zh) | 2021-09-21 |
CN113420921B true CN113420921B (zh) | 2022-04-22 |
Family
ID=77716492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110699222.7A Active CN113420921B (zh) | 2021-06-23 | 2021-06-23 | 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420921B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101821696A (zh) * | 2007-08-28 | 2010-09-01 | Commvault系统公司 | 如数据存储操作的自适应能耗管理的数据处理资源的能耗管理 |
EP3340130A1 (en) * | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
-
2021
- 2021-06-23 CN CN202110699222.7A patent/CN113420921B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101821696A (zh) * | 2007-08-28 | 2010-09-01 | Commvault系统公司 | 如数据存储操作的自适应能耗管理的数据处理资源的能耗管理 |
CN103279181A (zh) * | 2007-08-28 | 2013-09-04 | Commvault系统公司 | 如数据存储操作的自适应能耗管理的数据处理资源的能耗管理 |
EP3340130A1 (en) * | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
Non-Patent Citations (1)
Title |
---|
"校园建筑中的人员用能行为与模式分析";杨钒;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技II辑》;20200615;第C038-190页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420921A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mutschler et al. | Benchmarking cooling and heating energy demands considering climate change, population growth and cooling device uptake | |
Jung et al. | Weighted error functions in artificial neural networks for improved wind energy potential estimation | |
CN104239556B (zh) | 基于密度聚类的自适应轨迹预测方法 | |
Heidarinejad et al. | Actual building energy use patterns and their implications for predictive modeling | |
CN104850734A (zh) | 一种基于时空分布特征的空气质量指数预测方法 | |
Panyafong et al. | Heat load estimation using artificial neural network | |
Du et al. | Diverse occupant behaviors and energy conservation opportunities for university student residences in Hong Kong | |
CN116205425A (zh) | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 | |
CN103415027B (zh) | Wifi室内信号分布模型自动选择与定位方法 | |
Ryan et al. | The Boston residential NO2 characterization study—II. Survey methodology and population concentration estimates | |
Ren et al. | Comparative analysis of window operating behavior in three different open-plan offices in Nanjing | |
Chen et al. | Agent-based modeling and simulation of stochastic heat pump usage behavior in residential communities | |
Schranz et al. | Energy prediction under changed demand conditions: Robust machine learning models and input feature combinations | |
CN113420921B (zh) | 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法 | |
Jia et al. | Exploring the validity of occupant behavior model for improving office building energy simulation | |
Gatrell et al. | Weather and voter turnout: Kentucky primary and general elections, 1990-2000 | |
Li et al. | A new method of generating extreme building energy year and its application | |
Zhang et al. | Improving building energy consumption prediction using occupant-building interaction inputs and improved swarm intelligent algorithms | |
CN116761250A (zh) | 一种基于智能体交互深度强化学习的室内定位方法 | |
Liang et al. | Low-cost data-driven estimation of indoor occupancy based on carbon dioxide (CO2) concentration: A multi-scenario case study | |
Carpentieri et al. | Urban Energy Consumption in the City of Naples (Italy): A Geographically Weighted Regression Approach | |
Mosteiro Romero | Stochastic sources of uncertainty in urban energy systems: occupancy and microclimate | |
Xu et al. | Thermal comfort performance prediction method using sports center layout images in several cold cities based on CNN | |
Chen | Enhancing Validity of Green Building Information Modeling with Artificial-neural-network-supervised Learning--Taking Construction of Adaptive Building Envelope Based on Daylight Simulation as an Example. | |
Villarreal et al. | Shared space and resource use within a building environment: An indoor geography |
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 |