CN113516188A - 一种预测空调提前开机时长的方法、装置、设备及介质 - Google Patents
一种预测空调提前开机时长的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113516188A CN113516188A CN202110804916.2A CN202110804916A CN113516188A CN 113516188 A CN113516188 A CN 113516188A CN 202110804916 A CN202110804916 A CN 202110804916A CN 113516188 A CN113516188 A CN 113516188A
- Authority
- CN
- China
- Prior art keywords
- room
- classification
- training set
- tree
- classification tree
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000003066 decision tree Methods 0.000 claims abstract description 69
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000013138 pruning Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测空调提前开机时长的方法、装置、设备及介质。所述方法包括:获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。利用该方法,能够根据房间特性准确预测空调提前开机的时长。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种预测空调提前开机时长的方法、装置、设备及介质。
背景技术
对于大型办公楼而言,一般将工作人员的上下班时间作为办公楼内空调开启和关闭的时间。由于夏季或冬季室内外温差较大,当工作人员上班进入办公楼后再开启空调时就会导致室内温度无法满足热舒适需求。因此,需要提前开启办公楼内的空调,使得工作人员进入办公楼之前办公楼内达到舒适的温度。
现有的常规做法一般是提前一段时间开启办公楼内的空调设备。但是,对于不同房间、不同气象条件,预设的开机时间都是固定的,因此,会导致不同房间的温度存在差异。例如,对于较大的房间而言,在预设时间提前开启空调将不满足办公人员对舒适度的要求,对于较小的房间而言,在预设时间提前开启空调会使得空调开启时间过长导致资源浪费。
因此,如何准确的确定空调提前开机的时长是当前亟待解决的技术问题。
发明内容
本发明实施例提供了一种预测空调提前开机时长的方法、装置、设备及介质,能够根据房间特性准确预测空调提前开机的时长。
第一方面,本发明实施例提供了一种预测空调提前开机时长的方法,包括:
获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;
将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;
根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;
针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
第二方面,本发明实施例还提供了一种预测空调提前开机时长的装置,包括:
获取模块,用于获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;
输入模块,用于将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;
确定模块,用于根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;
预测模块,针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
第三方面,本发明实施例还提供了一种计算机设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器用于实现本发明任意实施例中所述的预测空调提前开机时长的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的预测空调提前开机时长的方法。
本发明实施例提供了一种预测空调提前开机时长的方法、装置、设备及介质,首先获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;然后将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;之后根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;最后针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。利用上述技术方案,能够根据房间特性准确预测空调提前开机的时长。
附图说明
图1为本发明实施例一所提供的一种预测空调提前开机时长的方法的流程示意图;
图2为本发明实施例一所提供的一种预测空调提前开机时长的方法中的决策树模型结构示意图;
图3为本发明实施例一所提供的一种预测空调提前开机时长的方法的分类树结构示例图;
图4为本发明实施例二所提供的一种预测空调提前开机时长的装置的结构示意图;
图5为本发明实施例三所提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本发明实施例一所提供的一种预测空调提前开机时长的方法的流程示意图,该方法可适用于预测建筑物内每个房间的空调提前开机时长的情况,该方法可以由预测空调提前开机时长的装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在计算机设备上。
需要说明的是,本发明实施例一所提供的一种预测空调提前开机时长的方法,在具体实施过程中,可以在预测时间到达时对一个建筑物内所有房间的空调提前开机时长进行预测。示例性的,若目标建筑物为办公楼,工作人员在早上9点开始办公,则可以设置预测时间为早上5点开始,每15分钟进行一次预测。如果预测出的空调提前开机时长小于当前时间距离早上9点的时长,则不开启空调,继续等待下次预测;如果预测出的空调开机时长大于当前时间距离早上9点的时长,则可以提前开启空调。
如图1所示,本发明实施例一提供的一种预测空调提前开机时长的方法,包括如下步骤:
S110、获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向以及房间大小。
在本实施例中,目标建筑物可以理解为需要进行空调提前开机时长预测的建筑物,目标建筑物可以为任意一种建筑物,此处不作具体限制,示例性的,目标建筑物可以为办公大楼,目标建筑物内可以包括多个房间。
其中,房间特性可以理解为目标建筑物内房间的固有属性,可以按照房间特性将房间进行分类,示例性的,可以按照房间位置、房间朝向以及房间大小将房间进行分类,例如,按照房间位置可以将房间分为外区房间和内区房间;按照房间朝向可以将房间分为朝南的房间、朝西的房间、朝东的房间以及朝北的房间;按照房间大小可以将房间分为大型房间、中型房间以及小型房间;按照房间功能可以将房间分为会议室、公共区域、小型办公室等需要说明的是,外区房间为位于靠窗位置的房间,内区房间为位于建筑物内部的房间。
S120、将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型。
其中,目标分类树可以为对输入的房间特性进行分类的模型,目标分类树可以为一种根据训练集数据进行训练后得到的分类模型,在训练过程中可以通过训练集房间特性对模型进行训练得到目标分类树,训练集房间特性可以为分类树训练过程中使用的房间特性。
在本实施例中,通过目标分类树可以将房间按照房间特性进行分类确定分类结果,并得到分类树每个节点对应的预测结果。
其中,分类结果可以理解为目标建筑物内的房间按照房间特性分类后得到的结果。根据目标分类树中房间特性的分类顺序,将房间进行分类可以得到分类结果,示例性的,若输入的训练集房间特性包括房间位置、房间大小和房间朝向,目标分类树为先根据房间位置进行分类,再根据房间朝向进行分类,则分类结果可以为当前房间为外区东向房间。
进一步的,所述目标分类树的训练过程包括:将所述训练集房间特性进行分类得到初始分类树;根据决策树模型的预测结果,将所述初始分类树进行剪枝处理,得到目标分类树。
其中,初始分类树可以为仅根据训练集房间特性得到的分类模型,可以理解为未经过剪枝处理的分类模型。在本实施例中,可以根据训练集房间特性的分类是否具有逻辑关系,对房间特性进行分类得到初始分类树。可选的,根据训练集房间特性进行分类得到初始分类树的方式可以包括以下三种方式:
方式一、根据训练集房间特性分类的逻辑关系确定分类顺序,根据分类顺序对训练集房间特性进行分类生成初始分类树。
方式二、将训练集房间特性输入到决策树算法得到房间特性与历史提前开机时长的相关系数,根据相关系数对房间特性进行分类生成初始分类树。
方式三、将训练集房间特性进行任意排序生成多个分类树;从分类树中选取预测结果最好的分类树作为初始分类树。
具体的,若所述训练集房间特性的分类具有逻辑关系,则所述根据所述房间特性进行分类得到初始分类树,包括:根据所述训练集房间特性分类的逻辑关系确定分类顺序;根据所述分类顺序对所述训练集房间特性进行分类生成初始分类树;其中,将先进行分类的训练集房间特性作为初始分类树的上层节点,将后进行分类的训练集房间特性作为初始分类树的下层节点,所述上层节点为距离根节点最近的节点,所述下层节点为距离根节点最远的节点。
其中,训练集房间特性的分类具有逻辑关系可以理解为房间特性的分类有包含关系。示例性的,以房间朝向进行分类,南向房间为一个大类,该分类下包含正南朝向房间、东南朝向房间以及西南偏南朝向房间等细化的类别。
在本实施例中,根据所述训练集房间特性分类的逻辑关系确定分类顺序可以理解为若房间特性分类的逻辑关系为包含关系,则可以将上位的房间特性先进行分类,将细化的下位房间特性后进行分类,依次确定房间特性的分类顺序。
在本实施例中,根据所述分类顺序对所述训练集房间特性进行分类生成初始分类树的过程可以为:将先进行分类的房间特性作为初始分类树的上层节点,将后进行分类的房间特性作为初始分类树的下层节点。初始分类树各层节点的位置可以表征该层节点对应的房间特性的重要程度,越靠近根节点的节点所对应的房间特性越重要,越下层的节点对应的房间特性的重要程度越低。
示例性的,若训练集房间特性分类为东向房间、西北向房间和南向房间,进一步的,东南向房间又可以细化的分为东北偏东房间,正东房间以及东南偏东房间;西北向房间又可以细化的分为西北偏西房间和西北偏北房间。由此可知,上述房间特性的分类具有逻辑关系,则可以将东向房间、西北向房间和南向房间作为初始分类树的上层节点,且处于同一层节点,将东北偏东房间,正东房间以及东南偏东房间作为东向房间的下层节点,且都处于同一层节点,将西北偏西房间和西北偏北房间作为西北向房间的下层节点,且都处于同一层节点。
需要说明的是,训练集房间特性的分类可以根据目标建筑物中各房间的具体情况进行分类,例如,若目标建筑物中没有朝北方向的房间,则房间特性的分类不能包括北向房间。
具体的,若所述训练集房间特性的分类不具有逻辑关系,则所述根据训练集房间特性进行分类生成初始分类树,包括:将所述训练集房间特性输入到决策树模型得到所述训练集房间特性与历史提前开机时长的相关系数;根据所述相关系数的大小进行分类生成初始分类树;其中,将相关系数最大的训练集房间特性作为所述初始分类树的上层节点,将相关系数最小的训练集房间特性作为所述初始分类树的下层节点。
其中,训练集房间特性的分类无逻辑关系可以理解为房间特性分类后各类别之间没有关联性,示例性的,房间的朝向和房间为会议室还是办公室之间无任何逻辑关系。
在本实施例中,决策树模型可以为根据历史数据和决策树算法进行训练后得到的预测模型。历史数据可以包括历史提前开机时长,历史提前开机时长可以理解为在过去几年内,目标建筑物中每个房间对应的达到目标温度所需的提前开机时长,示例性的,目标温度可以为25摄氏度。
进一步的,确定所述决策树模型的预测结果的过程包括:获取历史数据,所述历史数据包括所述目标建筑物内的房间对应的空调开启时的室内温度、空调开启时的室外温度以及历史提前开机时长;根据所述历史数据和决策树算法确定所述决策树模型的预测结果。
其中,分类树可以包括多个子决策树模型,分类树的每个分类即每个层级节点对应一个子决策树模型。示例性的,分类树中的内区房间对应的层级节点的预测结果可以代表所有内区房间作为一个子决策树模型计算的预测结果。
示例性的,若目标建筑物为一个办公大楼,则可以获取2019年和2020年每个房间对应的空调开启时的室内温度、空调开启时的室外温度以及历史提前开机时长作为历史数据。示例性的,历史提前开机时长可以为在2019年和2020年内每个房间每天的空调提前开机时长。
在本实施例中,可以将空调开启时的室内温度和空调开启时的室外温度作为自变量,将历史提前开机时长作为因变量。预测结果可以为提前开机时长,提前开机时长可以理解为房间内的温度达到目标温度时对应的空调需要提前开机的时长,即房间内的空调需要提前开机多久才能使室内温度达到目标温度。
在本实施例中,根据历史数据中包括的多个房间对应的空调开始时的室内温度、空调开启时的室外温度以及历史提前开机时长,使用决策树算法进行预测后可以得到空调提前开机时长。
图2为本发明实施例一所提供的一种预测空调提前开机时长的方法中的决策树模型结构示意图,此处需要重点关注的是叶节点,决策树的每一个叶节点的value值代表对应条件下的预测结果。如图2所示,X[0]可以表示当前时刻的室内温度,最上层框图中的X[0]<=25.95可以表示将现有所有样本根据室内温度是否小于等于25.95摄氏度进行分类,samples=20000可以表示在分类前有20000个房间作为样本。如图2所示,最左侧叶节点,代表着当室内温度小于等于25.05摄氏度时,预测得到的提前开机时长为0小时,即不需要提前开机;叶节点的mse代表着预测提前开机时长与对应实际发生的历史提前开机时长之间差值的平方的平均值,mse越小,意味着预测结果越准确;实际应用中,将房间需要预测提前开机时刻的室内温度、室外温度带入决策树模型中,根据决策树模型的每个节点对应的条件进行分化,直到达到叶节点,读取该叶节点value值作为预测的提前开机时长结果。
其中,将所述训练集房间特性输入到决策树模型得到所述训练集房间特性与历史提前开机时长的相关系数可以理解为:将训练集房间特性作为因变量加入到决策树模型中进行训练,将训练集房间特性作为决策树模型的节点,根据训练集房间特性出现的先后顺序确定训练集房间特性与历史提前开机时长的相关系数,越早出现的训练集房间特性表示该房间特性为决策树模型的上层节点,表明该房间特性与历史提前开机时长的相关系数越大,相关系数越大则可以表明该房间特性对提前开机时长的影响越大。
其中,根据所述相关系数的大小进行分类生成初始分类树可以为:对应的相关系数越大的训练集房间特性可以作为初始分类树的上层节点,对应的相关系数越小的训练集房间特性可以作为初始分类树的下层节点。对于分类树每一个节点来说,都代表着具有相同房间特性的房间组成的合集,合集内所有房间的历史数据作为训练样本共同训练出一个决策树模型,该决策树模型作为分类树的一个节点。
示例性的,若训练集房间特性包括房间大小,即训练集房间特性的分类按照房间大小进行分类,若训练集房间特性包括房间位置,即训练集房间特性的分类按照房间位置进行分类,房间大小和房间位置之间没有逻辑关系,则可以分别将房间大小和房间位置输入到决策树模型中进行训练,根据房间大小和房间位置出现的先后顺序确定相关系数,若房间大小作为房间位置的上层节点,则房间大小对应的相关系数大于房间位置对应的相关系数,则可以将房间大小作为初始分类树的上层节点,将房间位置作为初始分类树的下层节点。
具体的,若所述训练集房间特性的分类不具有逻辑关系,则所述根据训练集房间特性进行分类生成初始分类树,包括:将所述训练集房间特性进行任意排序生成多个分类树;从所述分类树中选取预测结果最好的分类树作为初始分类树。
其中,若训练集房间特性包括房间大小、房间朝向以及房间位置,由于房间大小、房间朝向以及房间位置之间无逻辑关系,则可以根据房间大小、房间朝向以及房间位置在分类树中出现的先后顺序生成多个分类树。
示例性的,可以将房间大小作为一个分类树的上层节点,将房间朝向作为一个分类树的中层节点,将房间位置作为一个分类树的下层节点;还可以将房间位置作为一个分类树的上层节点,将房间大小作为一个分类树的中层节点,将房间朝向作为一个分类树的下层节点。按照上述方式可以得到多个分类树,不同分类树的区别在于不同房间特性在分类树中出现的先后顺序不同。
在本实施例中,得到的每个分类树都有其对应的预测结果,将预测结果最好即均方差最小的分类树作为初始分类树。
在本实施例中,将初始分类树进行剪枝处理,得到目标分类树可以理解为对初始分类树中的各层节点通过剪枝策略去除分类结果较差的节点,可以得到目标分类树。
在本实施例中,对初始分类树进行剪枝处理可以通过使用剪枝策略实现,初始分类树通过剪枝策略进行剪枝处理后可以得到目标分类树。剪枝策略可以包括三种策略,可以根据实际情况选择三种策略中的一种或多种对初始分类树进行剪枝处理,也可以同时使用三种策略进行剪枝处理,此处不作具体限制。
具体的,所述将所述初始分类树根据所述决策树模型的预测结果进行剪枝处理,得到目标分类树,包括:根据以下剪枝策略中的一个或多个,对所述初始分类树的各层节点进行去除,得到目标分类树;其中,所述剪枝策略包括若所述初始分类树的下层节点的预测结果的准确性小于所述决策树模型的预测结果的准确性,则将所述初始分类树的下层节点去除、若所述初始分类树的下层节点的预测结果的准确性小于所述初始分类树的上层节点的预测结果的准确性,则将所述下层节点去除,以及若所述初始分类树的某一层节点的样本数量小于预设值,则将所述节点去除。
在本实施例中,剪枝策略可以包括根据决策树模型的预测结果即初始分类树的根节点的预测结果对初始分类树的各层节点进行去除;剪枝策略还可以包括根据初始分类树的上层节点预测结果的准确性和该上层节点对应的下层节点预测结果的准确性,确定是否将该下层节点去除;剪枝策略还可以包括根据各层节点对应的样本数量即房间数量确定是否去除该层节点。
其中,预设值可以为预先设置的样本数,示例性的,预设值可以为200,当某一层节点对应的样本数量小于200时,可以确定该层节点由于样本数偏小导致预测结果准确性较低,因此可以将该层节点去除。
图3为本发明实施例一所提供的一种预测空调提前开机时长的方法的分类树结构示例图,如图3所示,分类树的根节点为全部房间,根节点的下层节点为内区房间和外区房间,外区房间的下层节点为东向房间、西北向房间以及南向房间。其中,每个方框内的rmse和r2可以表示具有相同房间特性的房间的预测结果的准确性。
S130、根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型。
在本实施例中,具有不同房间特性的房间可以对应不同的决策树模型。示例性的,若分类结果为该房间为外区南向房间,则可以获取外区南向房间对应的决策树模型,该决策树模型是根据外区南向房间的历史数据训练后得到的决策树模型。
S140、针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
在本实施例中,在对每个房间的空调提前开机时长进行预测时,可以首先确定当前房间对应的决策树模型,再将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型即可以得到空调提前开机时长。
可以理解的是,最终得到的空调提前开机时长是根据房间特性、当前时刻的室内温度和当前时刻的室外温度共同得到的预测结果。其中,房间特性、当前时刻的室内温度和当前时刻的室外温度都可以影响预测结果。一般而言,外区大房间对应的提前开机时长较长,室内温度和室外温度的温度差较大时对应的提前开机时长较长。
可以理解的是在确定空调提前开机时长后,本实施例还可以在空调提前开机时长到达时,开启对应的空调。
本发明实施例一提供的一种预测空调提前开机时长的方法,首先获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;然后将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据房间特性确定的分类模型;之后根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;最终针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。利用上述方法,能够根据房间特性、室内温度以及室外温度准确预测空调提前开机的时长。
实施例二
图4为本发明实施例二所提供的一种预测空调提前开机时长的装置的结构示意图,该装置可适用于预测建筑物内每个房间的空调提前开机时长的情况,其中该装置可由软件和/或硬件实现,并一般集成在计算机设备上。
如图4所示,该装置包括:获取模块410、输入模块420、确定模块430以及预测模块440。
获取模块410,用于获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;
输入模块420,用于将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;
确定模块430,用于根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;
预测模块440,针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
在本实施例中,该装置首先通过获取模块410获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;然后通过输入模块420将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;之后通过确定模块430根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;最后通过预测模块440针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
本实施例提供了一种预测空调提前开机时长的装置,能够根据房间特性准确预测空调提前开机的时长。
进一步的,所述目标分类树的训练过程包括:将所述训练集房间特性进行分类得到初始分类树;根据决策树模型的预测结果,将所述初始分类树进行剪枝处理,得到目标分类树。
进一步的,确定所述决策树模型的预测结果的过程包括:获取历史数据,所述历史数据包括所述目标建筑物内的房间对应的空调开启时的室内温度、空调开启时的室外温度以及历史提前开机时长;根据所述历史数据和决策树算法确定所述决策树模型的预测结果。
进一步的,若所述训练集房间特性的分类具有逻辑关系,则所述根据所述房间特性进行分类得到初始分类树,包括:根据所述训练集房间特性分类的逻辑关系确定分类顺序;根据所述分类顺序对所述训练集房间特性进行分类生成初始分类树;其中,将先进行分类的训练集房间特性作为初始分类树的上层节点,将后进行分类的训练集房间特性作为初始分类树的下层节点,所述上层节点为距离根节点最近的节点,所述下层节点为距离根节点最远的节点。
进一步的,若所述训练集房间特性的分类不具有逻辑关系,则所述根据训练集房间特性进行分类生成初始分类树,包括:将所述训练集房间特性输入到决策树模型得到所述训练集房间特性与历史提前开机时长的相关系数;根据所述相关系数的大小进行分类生成初始分类树;其中,将相关系数最大的训练集房间特性作为所述初始分类树的上层节点,将相关系数最小的训练集房间特性作为所述初始分类树的下层节点。
进一步的,若所述训练集房间特性的分类不具有逻辑关系,则所述根据训练集房间特性进行分类生成初始分类树,包括:将所述训练集房间特性进行任意排序生成多个分类树;从所述分类树中选取预测结果最好的分类树作为初始分类树。
进一步的,所述将所述初始分类树根据所述决策树模型的预测结果进行剪枝处理,得到目标分类树,包括:根据以下剪枝策略中的一个或多个,对所述初始分类树的各层节点进行去除,得到目标分类树;其中,所述剪枝策略包括若所述初始分类树的下层节点的预测结果的准确性小于所述决策树模型的预测结果的准确性,则将所述初始分类树的下层节点去除、若所述初始分类树的下层节点的预测结果的准确性小于所述初始分类树的上层节点的预测结果的准确性,则将所述下层节点去除,以及若所述初始分类树的某一层节点的样本数量小于预设值,则将所述节点去除。
上述预测空调提前开机时长的装置可执行本发明任意实施例所提供的预测空调提前开机时长的方法,具备执行方法相应的功能模块和有益效果。
实施例三
图5为本发明实施例三所提供的一种计算机设备的结构示意图。如图5所示,本发明实施例三提供的计算机设备包括:一个或多个处理器51和存储装置52;该计算机设备中的处理器51可以是一个或多个,图5中以一个处理器51为例;存储装置52用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器51执行,使得所述一个或多个处理器51实现如本发明实施例中任一项所述的预测空调提前开机时长的方法。
所述计算机设备还可以包括:输入装置53和输出装置54。
计算机设备中的处理器51、存储装置52、输入装置53和输出装置54可以通过总线或其他方式连接,图5中以通过总线连接为例。
该计算机设备中的存储装置52作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例一所提供的预测空调提前开机时长的方法对应的程序指令/模块(例如,附图4所示的预测空调提前开机时长的装置中的模块,包括:获取模块410、输入模块420、确定模块430以及预测模块440)。处理器51通过运行存储在存储装置52中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述方法实施例中的预测空调提前开机时长的方法。
存储装置52可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储装置52可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置52可进一步包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
并且,当上述计算机设备所包括一个或者多个程序被所述一个或者多个处理器51执行时,程序进行如下操作:
获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;
将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;
根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;
针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
实施例五
本发明实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时用于执行预测空调提前开机时长的方法,该方法包括:
获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;
将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;
根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;
针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
可选的,该程序被处理器执行时还可以用于执行本发明任意实施例所提供的预测空调提前开机时长的方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于:电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、无线电频率(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种预测空调提前开机时长的方法,其特征在于,所述方法包括:
获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向、房间大小以及房间功能;
将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;
根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;
针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
2.根据权利要求1所述的方法,其特征在于,所述目标分类树的训练过程包括:
将所述训练集房间特性进行分类得到初始分类树;
基于决策树模型的预测结果,将所述初始分类树进行剪枝处理,得到目标分类树。
3.根据权利要求2所述的方法,其特征在于,确定所述决策树模型的预测结果的过程包括:
获取历史数据,所述历史数据包括所述目标建筑物内的房间对应的空调开启时的室内温度、空调开启时的室外温度以及历史提前开机时长;
根据所述历史数据和决策树算法确定所述决策树模型的预测结果。
4.根据权利要求2所述的方法,其特征在于,若所述训练集房间特性的分类具有逻辑关系,则所述根据所述房间特性进行分类得到初始分类树,包括:
根据所述训练集房间特性分类的逻辑关系确定分类顺序;
根据所述分类顺序对所述训练集房间特性进行分类生成初始分类树;
其中,将先进行分类的训练集房间特性作为初始分类树的上层节点,将后进行分类的训练集房间特性作为初始分类树的下层节点,所述上层节点为距离根节点最近的节点,所述下层节点为距离根节点最远的节点。
5.根据权利要求2所述的方法,其特征在于,若所述训练集房间特性的分类不具有逻辑关系,则所述根据训练集房间特性进行分类生成初始分类树,包括:
将所述训练集房间特性输入到决策树模型得到所述训练集房间特性与历史提前开机时长的相关系数;
根据所述相关系数的大小进行分类生成初始分类树;
其中,将相关系数最大的训练集房间特性作为所述初始分类树的上层节点,将相关系数最小的训练集房间特性作为所述初始分类树的下层节点。
6.根据权利要求2所述的方法,其特征在于,若所述训练集房间特性的分类不具有逻辑关系,则所述根据训练集房间特性进行分类生成初始分类树,包括:
将所述训练集房间特性进行任意排序生成多个分类树;
从所述分类树中选取预测结果最好的分类树作为初始分类树。
7.根据权利要求2所述的方法,其特征在于,所述将所述初始分类树根据所述决策树模型的预测结果进行剪枝处理,得到目标分类树,包括:
根据以下剪枝策略中的一个或多个,对所述初始分类树的各层节点进行去除,得到目标分类树;
其中,所述剪枝策略包括若所述初始分类树的下层节点的预测结果的准确性小于所述决策树模型的预测结果的准确性,则将所述初始分类树的下层节点去除、若所述初始分类树的下层节点的预测结果的准确性小于所述初始分类树的上层节点的预测结果的准确性,则将所述下层节点去除,以及若所述初始分类树的某一层节点的样本数量小于预设值,则将所述节点去除。
8.一种预测空调提前开机时长的装置,其特征在于,包括:
获取模块,用于获取目标建筑物的房间特性,所述房间特性包括房间位置、房间朝向以及房间大小;
输入模块,用于将所述房间特性输入目标分类树得到分类结果,所述目标分类树为根据训练集房间特性确定的分类模型;
确定模块,用于根据所述分类结果确定所述目标建筑物内每个房间对应的决策树模型;
预测模块,针对每个房间,将当前时刻的室内温度和当前时刻的室外温度输入所对应的决策树模型,得到空调提前开机时长。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器用于执行权利要求1-7任一项所述的预测空调提前开机时长的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的预测空调提前开机时长的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804916.2A CN113516188B (zh) | 2021-07-16 | 2021-07-16 | 一种预测空调提前开机时长的方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804916.2A CN113516188B (zh) | 2021-07-16 | 2021-07-16 | 一种预测空调提前开机时长的方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516188A true CN113516188A (zh) | 2021-10-19 |
CN113516188B CN113516188B (zh) | 2024-04-12 |
Family
ID=78067715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110804916.2A Active CN113516188B (zh) | 2021-07-16 | 2021-07-16 | 一种预测空调提前开机时长的方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516188B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111623497A (zh) * | 2020-02-20 | 2020-09-04 | 上海朗绿建筑科技股份有限公司 | 一种辐射空调预冷预热方法、系统、存储介质及辐射空调 |
CN112283889A (zh) * | 2020-10-10 | 2021-01-29 | 广东美的暖通设备有限公司 | 空调的预启动时间控制方法、装置、设备及存储介质 |
US20210133017A1 (en) * | 2019-10-30 | 2021-05-06 | Nec Laboratories America, Inc. | Approach to predicting entity failures through decision tree modeling |
CN112825576A (zh) * | 2019-11-20 | 2021-05-21 | 中国电信股份有限公司 | 小区扩容的确定方法、装置以及存储介质 |
CN112861692A (zh) * | 2021-02-01 | 2021-05-28 | 电子科技大学中山学院 | 一种房间分类模型构建方法及装置、房间分类方法及装置 |
-
2021
- 2021-07-16 CN CN202110804916.2A patent/CN113516188B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210133017A1 (en) * | 2019-10-30 | 2021-05-06 | Nec Laboratories America, Inc. | Approach to predicting entity failures through decision tree modeling |
CN112825576A (zh) * | 2019-11-20 | 2021-05-21 | 中国电信股份有限公司 | 小区扩容的确定方法、装置以及存储介质 |
CN111623497A (zh) * | 2020-02-20 | 2020-09-04 | 上海朗绿建筑科技股份有限公司 | 一种辐射空调预冷预热方法、系统、存储介质及辐射空调 |
CN112283889A (zh) * | 2020-10-10 | 2021-01-29 | 广东美的暖通设备有限公司 | 空调的预启动时间控制方法、装置、设备及存储介质 |
CN112861692A (zh) * | 2021-02-01 | 2021-05-28 | 电子科技大学中山学院 | 一种房间分类模型构建方法及装置、房间分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨建军 等: "基于长短期记忆网络的工业空调启动时间预测", 《软件导刊》, vol. 19, no. 06, pages 48 - 52 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516188B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112283889A (zh) | 空调的预启动时间控制方法、装置、设备及存储介质 | |
KR20180072468A (ko) | 빅데이터기반 사용자의 지능형 냉방 및 난방 서비스 제공 방법 | |
KR102067110B1 (ko) | 높은 정확도를 가지는 기축 건물의 에너지 데이터 처리장치 및 방법 | |
CN103034267B (zh) | 用于控制设施装置的设备和方法 | |
KR102369350B1 (ko) | 인공신경망을 이용한 공기조화설비의 에너지 사용량 및 데이터 예측 시스템 및 그 방법 | |
CN110836525A (zh) | 空调运行状态的自适应调节方法及装置 | |
CN113516188B (zh) | 一种预测空调提前开机时长的方法、装置、设备及介质 | |
CN117121025A (zh) | 暖通空调系统的管理方法、系统及存储介质 | |
CN106209957A (zh) | 基于云端服务的环境控温装置 | |
CN116774599A (zh) | 基于知识图谱的智能设备控制方法、计算机装置和计算机可读存储介质 | |
Traboulsi et al. | IOT Analysis and Management System for Improving Work Performance with an IOT Open Software in Smart Buildings. | |
CN105318486A (zh) | 用于空调的除湿告警方法和装置 | |
CN114818059A (zh) | 建筑节能策略优化控制方法、装置、设备及可读存储介质 | |
CN110598916A (zh) | 一种用户行为模型的构建方法及系统 | |
CN113763221A (zh) | 一种大气污染的溯源方法、装置、电子设备及存储介质 | |
CN112255923A (zh) | 一种电设备控制方法、装置、服务器及介质 | |
KR102514053B1 (ko) | 데이터 모델을 이용한 데이터 프로파일링 서버 및 이를 이용한 사물 인터넷 기반 데이터 관리 시스템 및 방법과 이를 이용한 컴퓨터 프로그램 | |
EP2902762A1 (fr) | Procédé de détermination d'une signature thermique d'un bâtiment par la mesure de la température au fil du temps, et dispositif associé | |
Saranya et al. | AI buildings: design of artificially intelligent buildings in the energy sector with an autonomous federated learning approach | |
CN114679899B (zh) | 机房空调自适应节能控制方法及装置、介质及设备 | |
CN116418674B (zh) | 智能物联网vpn路由器系统自动低延迟管理的方法、装置 | |
Widjaja et al. | A general spatial-temporal framework for short-term building temperature forecasting at arbitrary locations with crowdsourcing weather data | |
CN117111482A (zh) | 一种智能设备场景控制方法、装置、智能设备及存储介质 | |
Kuo et al. | Physics-informed machine learning framework to model buildings from incomplete information | |
EP2360633A1 (fr) | Suivi et évaluation de la consommation énergétique d'un ouvrage |
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 |