CN117574787B - 一种室内设计用室内采光率模拟系统、方法及装置 - Google Patents

一种室内设计用室内采光率模拟系统、方法及装置 Download PDF

Info

Publication number
CN117574787B
CN117574787B CN202410064538.2A CN202410064538A CN117574787B CN 117574787 B CN117574787 B CN 117574787B CN 202410064538 A CN202410064538 A CN 202410064538A CN 117574787 B CN117574787 B CN 117574787B
Authority
CN
China
Prior art keywords
data
feature
module
vector
lighting
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
Application number
CN202410064538.2A
Other languages
English (en)
Other versions
CN117574787A (zh
Inventor
李磊
刘晓林
邵岸
陈廷漫
程超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhengzhong Design Co ltd
Original Assignee
Shenzhen Zhengzhong Design Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhengzhong Design Co ltd filed Critical Shenzhen Zhengzhong Design Co ltd
Priority to CN202410064538.2A priority Critical patent/CN117574787B/zh
Publication of CN117574787A publication Critical patent/CN117574787A/zh
Application granted granted Critical
Publication of CN117574787B publication Critical patent/CN117574787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本实施例提供了一种室内设计用室内采光率模拟系统、方法及装置，建立卷积神经网络模型；构建所述训练集中的图像特征的特征序列；将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；所述细节特征向量集合S3经池化层，得到全局特征图S4；通过支持向量机模型及卷积神经网络模型的结合，图像及光照数据的结合，得到更加准确的采光图像及采光率的输出，为室内设计提供了极大的便利，结合图像识别（神经网络）与预测推荐过程（机器学习模型），提高采光模拟的准确，得到全天气全季节全时段的室内设计的采光率预测及模拟。

Description

一种室内设计用室内采光率模拟系统、方法及装置
技术领域
本发明涉及计算机技术领域，特别是涉及一种室内设计用室内采光率模拟系统、方法、装置、计算机设备及存储介质。
背景技术
现有的采光率的计算方法主要包括按照建筑尺寸和窗口的大小、数量、位置核算室内的天然光照度；或根据采光标准规定的采光系数估算所需的窗口面积。通常规定一种理想的标准天空亮度分布作为计算条件。中国和世界上多数国家均以国际照明委员会规定的标准全阴天天空亮度分布作为采光计算的假想光源。世界各国已发表的采光计算方法有数十种，这些方法主要建立在以光度理论推导的和以采光模型实验的测量数据为依据的两种不同基础上。现在有软件也可以模拟室内设计的采光，但准确性有待提高，是对天气环境等因素变化分析不强的原因导致的。
发明内容
鉴于上述问题，提出了本实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种室内设计用室内采光率模拟方法、装置、系统、计算机设备及存储介质。
为了解决上述问题，本实施例公开了一种室内设计用室内采光率模拟方法，包括：
采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
将所述采光图像进行分割预处理，得到采光图像的图像特征；
建立卷积神经网络模型；
构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；
所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；
所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4；
所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5；
利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
根据所述采光图像计算出采光率。
优选地，所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4，包括：
所述卷积层包含以下分支描述：
；
为细节特征向量集合中的特征向量，为注意力分支描述； 、、为 是卷积函数；、、是整形函数操作；是softmax函数操作，该分支描述输出为，是指Cayley乘积。
优选地，所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5，包括：
所述全局特征图包括第一特征C1、第二特征C2、第三特征C3，将第一特征C1、第二特征C2进行通道相加，将第一特征C1、第二特征C2进行矩阵相乘，将第一特征C1、第二特征C2通道相加的结果与第一特征C1、第二特征C2矩阵相乘的运行结果与第三特征C3进行通道相加；得到所述全连接层的输出为A;
；
其中，为通道相加操作，为3×3卷积；
将所述连接层的输出为A输入到包含ReLU函数的神经网络，得到预测图S5。
优选地，所述利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练，包括：
所述卷积神经网络模型的损失函数设置为L=Lb+Lu+e;
其中，；
；其中，i为图像特征的像素，为图像特征，为模型输出的图像； e为补偿系数。
优选地，所述根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像，包括：
提取出天气数据、楼层数据、房间朝向数据、时间中的采光相关模型参数；
根据所述采光相关模型参数与输出的光照光强数据，生成对应的采光图像。
本发明实施例公开了一种室内设计用室内采光率模拟装置，包括：
训练集获取模块，用于采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
向量提取模块，用于从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
第一训练模块，用于将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
光照光强数据输出模块，用于采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
采光图像生成模块，用于根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
预处理模块，用于将所述采光图像进行分割预处理，得到采光图像的图像特征；
建立模块，用于建立卷积神经网络模型；
构建模块，用于构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
映射模块，用于将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；
卷积层模块，用于所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；
池化层模块，用于所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4；
全连接层模块，用于所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5；
梯度更新模块，用于利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
采光图像输出模块，用于将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
计算模块，用于根据所述采光图像计算出采光率。
优选地，所述池化层模块包括：
所述卷积层包含以下分支描述：
；
为细节特征向量集合中的特征向量，为注意力分支描述； 、、为 是卷积函数；、、是整形函数操作；是softmax函数操作，该分支描述输出为，是指Cayley乘积。
本发明实施例公开了一种室内设计用室内采光率模拟系统，包括：
训练集获取模块，用于采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
向量提取模块，用于从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
第一训练模块，用于将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
光照光强数据输出模块，用于采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
采光图像生成模块，用于根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
预处理模块，用于将所述采光图像进行分割预处理，得到采光图像的图像特征；
建立模块，用于建立卷积神经网络模型；
构建模块，用于构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
映射模块，用于将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；
卷积层模块，用于所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；
池化层模块，用于所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4；
全连接层模块，用于所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5；
梯度更新模块，用于利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
采光图像输出模块，用于将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
计算模块，用于根据所述采光图像计算出采光率。
本实施例还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的室内设计用室内采光率模拟的步骤。
本实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的室内设计用室内采光率模拟的步骤。
本实施例包括以下优点：
本发明实施例中，通过支持向量机模型及卷积神经网络模型的结合，图像及光照数据的结合，得到更加准确的采光图像及采光率的输出，为室内设计提供了极大的便利，结合图像识别（神经网络）与预测推荐过程（机器学习模型），提高采光模拟的准确，得到全天气全季节全时段的室内设计的采光率预测及模拟。
附图说明
为了更清楚地说明本实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图
图1是本实施例的一种室内设计用室内采光率模拟方法实施例的步骤流程图；
图2是本实施例的一种室内设计用室内采光率模拟装置实施例的结构框图；
图3是一个实施例的一种计算机设备的内部结构图。
具体实施方式
为了使本实施例所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本实施例进一步详细说明。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。
本实施例提供的室内设计用室内采光率模拟方法，可以应用于包含终端及服务器的应用环境中。其中，终端通过网络与服务器进行通信。该终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参照图1，示出了本实施例的一种室内设计用室内采光率模拟方法实施例的步骤流程图，具体可以包括如下步骤：
步骤101，采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
本发明实施例中，首先可以采集到大量房屋的过去时间段内的相关历史数据，如区域数据，即所处的地理位置，历史以来的天气数据，如晴天、雨天、阴天，季节数据是指对应的时间段所处的季节，楼层数据及房间朝向数据属于房屋建立的参数，需要说明的是，该房屋的光照光强数据分别与所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间是相关联的，两者共同组成训练集，举例而言，可以通过自动采集等方式获取到以上数据，举例而言，上海市静安区某小区的1995年-2022年每天的天气，该小区每层楼的某一房间朝向对应的光照光强数据为57lx，另一房间对应的光照光强数据为78lx。
步骤102，从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
当采集到多个不同房屋的光照光强数据及相关数据之后，可以针对该数据进行整理，分别得到环境特征向量、室内特征向量及光照光强向量，具体而言，该环境特征向量可以是区域数据、天气数据、季节数据在时间下整理得到特征向量；而室内特征向量是指楼层数据、房间朝向数据在时间下整理得到特征向量，而光照光强向量是指房屋的光照光强数据在时间下整理得到特征向量。
步骤103，将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
本发明实施例中将提取之后的环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型中进行训练，得到训练后的支持向量机模型。
步骤104，采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
实际应用中，在得到训练后的支持向量机模型后，可以将实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至训练后的支持向量机模型，得到输出的光照光强数据，预测上述环境特征及室内特征对应的光照光强数据；
通过支持向量机模型预测补全不同天气环境、室内条件下的光照光强数据，提高数据的全面性，为卷积神经网络模型的训练提供了全面的训练样本，提高训练效率。
步骤105，根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
本发明实施例中，所述根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像，包括：提取出天气数据、楼层数据、房间朝向数据、时间中的采光相关模型参数；根据所述采光相关模型参数与输出的光照光强数据，生成对应的采光图像；
本发明实施例中，根据天气数据中的太阳角度，楼层数据中的光照入射角度，房间朝向数据的窗户方向数据，与光照光强数据相关联，生成房屋楼层对应的采光图像，即该太阳角度、光照入射角度、窗户方向数据可以是采光相关模型参数，充分利用卷积神经网络模型的图像训练特性，得到更加准确的室内的采光率模拟预测效果。
步骤106，将所述采光图像进行分割预处理，得到采光图像的图像特征；
步骤107，建立卷积神经网络模型；
进一步地，在得到采光图像之后，可以建立卷积神经网络模型，并将采光图像进行分割预处理，得到采光图像的图像特征，具体而言，将该采光图像进行插值处理及归一化处理，得到采光图像的图像特征。
步骤108，构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
步骤109，将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；
步骤110，所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；
步骤111，所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4；
该卷积神经网络模型可以包括卷积层、最大池化层、全连接层等，本发明实施例对此不作过多的限制。
本发明实施例中一种优选实施例中，所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4，包括：
所述卷积层包含以下分支描述：
；
为细节特征向量集合中的特征向量，为注意力分支描述； 、、为 是卷积函数；、、是整形函数操作；是softmax函数操作，该分支描述输出为，是指Cayley乘积，将该分支描述输出传输至连接的卷积层，计算得到全局 特征图S4，建立不同光照图像中的光强联系，提高模型的鲁棒性，减少特征干扰。
步骤112，所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5；
进一步应用到本发明实施例中，所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5，包括：
其中，所述全局特征图包括第一特征C1、第二特征C2、第三特征C3，将第一特征C1、第二特征C2进行通道相加，将第一特征C1、第二特征C2进行矩阵相乘，将第一特征C1、第二特征C2通道相加的结果与第一特征C1、第二特征C2矩阵相乘的运行结果与第三特征C3进行通道相加；得到所述全连接层的输出为A;
；
其中，为通道相加操作，为3×3卷积；
将所述连接层的输出为A输入到包含ReLU函数的神经网络，得到预测图S5，提高模型系统的稳定性，提高训练效率。
步骤113，利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
具体而言，所述利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练，包括：
所述卷积神经网络模型的损失函数设置为L=Lb+Lu+e;
其中，；
；其中，i为图像特征的像素，为图像特征，为模型输出的图像； e为补偿系数，设置补偿系数，提高了损失函数的数据拟合性能。
步骤114，将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
步骤115，根据所述采光图像计算出采光率。
再利用训练后的卷积神经网络模型，根据目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间，得到更加准确的采光图像及参数，通过采光图像计算出目标房屋的采光率，如，每个房间的采光率，需要说明的是，该采光率可以是指房屋的光照强度或光照时间，本发明实施例对此不作过多的限制。
本发明实施例中，通过支持向量机模型及卷积神经网络模型的结合，图像及光照数据的结合，得到更加准确的采光图像及采光率的输出，为室内设计提供了极大的便利，结合图像识别（神经网络）与预测推荐过程（机器学习模型），提高采光模拟的准确，得到全天气全季节全时段的室内设计的采光率预测及模拟。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本实施例并不受所描述的动作顺序的限制，因为依据本实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本实施例所必须的。
参照图2，示出了本实施例的一种室内设计用室内采光率模拟装置实施例的结构框图，具体可以包括如下模块：
训练集获取模块301，用于采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
向量提取模块302，用于从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
第一训练模块303，用于将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
光照光强数据输出模块304，用于采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
采光图像生成模块305，用于根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
预处理模块306，用于将所述采光图像进行分割预处理，得到采光图像的图像特征；
建立模块307，用于建立卷积神经网络模型；
构建模块308，用于构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
映射模块309，用于将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；
卷积层模块310，用于所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；
池化层模块311，用于所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4；
全连接层模块312，用于所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5；
梯度更新模块313，用于利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
采光图像输出模块314，用于将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
计算模块315，用于根据所述采光图像计算出采光率。
优选地，所述池化层模块包括：
所述卷积层包含以下分支描述：
；
为细节特征向量集合中的特征向量，为注意力分支描述； 、、为 是卷积函数；、、是整形函数操作；是softmax函数操作，该分支描述输出为，是指Cayley乘积。
优选地，所述全连接层模块包括：
相加相乘子模块，用于所述全局特征图包括第一特征C1、第二特征C2、第三特征C3，将第一特征C1、第二特征C2进行通道相加，将第一特征C1、第二特征C2进行矩阵相乘，将第一特征C1、第二特征C2通道相加的结果与第一特征C1、第二特征C2矩阵相乘的运行结果与第三特征C3进行通道相加；得到所述全连接层的输出为A;
；
其中，为通道相加操作，为3×3卷积；
输入子模块，用于将所述连接层的输出为A输入到包含ReLU函数的神经网络，得到预测图S5。
优选地，所述梯度更新模块包括：
所述卷积神经网络模型的损失函数设置为L=Lb+Lu+e;
其中，；
；其中，i为图像特征的像素，为图像特征，为模型输出的图像； e为补偿系数。
优选地，所述采光图像生成模块包括：
提取子模块，用于提取出天气数据、楼层数据、房间朝向数据、时间中的采光相关模型参数；
生成子模块，用于根据所述采光相关模型参数与输出的光照光强数据，生成对应的采光图像。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
关于室内设计用室内采光率模拟装置的具体限定可以参见上文中对于室内设计用室内采光率模拟方法的限定，在此不再赘述。上述室内设计用室内采光率模拟装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
上述提供的室内设计用室内采光率模拟装置可用于执行上述任意实施例提供的室内设计用室内采光率模拟方法，具备相应的功能和有益效果。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种采光率模拟的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如图1所述的步骤：
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如图1所述的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白，本实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本实施例是参照根据本实施例的装置、终端设备(系统)、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品，该指令方法实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、装置、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种室内设计用室内采光率模拟方法、系统、装置、计算机设备及存储介质，进行了详细介绍，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 (8)

1.一种室内设计用室内采光率模拟方法，其特征在于，包括：
采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
将所述采光图像进行分割预处理，得到采光图像的图像特征；
建立卷积神经网络模型；
构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；
所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；
所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4；
所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5；
利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
根据所述采光图像计算出采光率；
所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4，包括：
所述卷积层包含以下分支描述：
；
为细节特征向量集合中的特征向量，/>为注意力分支描述； />、/>、/>为是卷积函数；/>、/>、/>是整形函数操作；/>是softmax函数操作，该分支描述输出为/>，/>是指Cayley乘积。
2.根据权利要求1所述的方法，其特征在于，所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5，包括：
所述全局特征图包括第一特征C1、第二特征C2、第三特征C3，将第一特征C1、第二特征C2进行通道相加，将第一特征C1、第二特征C2进行矩阵相乘，将第一特征C1、第二特征C2通道相加的结果与第一特征C1、第二特征C2矩阵相乘的运行结果与第三特征C3进行通道相加；得到所述全连接层的输出为A;
；
其中，为通道相加操作，/>为3×3卷积；
将所述连接层的输出为A输入到包含ReLU函数的神经网络，得到预测图S5。
3.根据权利要求1所述的方法，其特征在于，所述利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练，包括：
所述卷积神经网络模型的损失函数设置为L=Lb+Lu+e;
其中，；
；其中，i为图像特征的像素，/>为图像特征，/>为模型输出的图像；e为补偿系数。
4.根据权利要求1所述的方法，其特征在于，所述根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像，包括：
提取出天气数据、楼层数据、房间朝向数据、时间中的采光相关模型参数；
根据所述采光相关模型参数与输出的光照光强数据，生成对应的采光图像。
5.一种室内设计用室内采光率模拟装置，其特征在于，包括：
训练集获取模块，用于采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
向量提取模块，用于从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
第一训练模块，用于将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
光照光强数据输出模块，用于采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
采光图像生成模块，用于根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
预处理模块，用于将所述采光图像进行分割预处理，得到采光图像的图像特征；
建立模块，用于建立卷积神经网络模型；
构建模块，用于构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
映射模块，用于将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；
卷积层模块，用于所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；
池化层模块，用于所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4；
全连接层模块，用于所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5；
梯度更新模块，用于利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
采光图像输出模块，用于将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
计算模块，用于根据所述采光图像计算出采光率；
所述池化层模块包括：
所述卷积层包含以下分支描述：
；
为细节特征向量集合中的特征向量，/>为注意力分支描述； />、/>、/>为是卷积函数；/>、/>、/>是整形函数操作；/>是softmax函数操作，该分支描述输出为/>，/>是指Cayley乘积。
6.一种室内设计用室内采光率模拟系统，其特征在于，包括：
训练集获取模块，用于采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
向量提取模块，用于从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
第一训练模块，用于将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
光照光强数据输出模块，用于采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
采光图像生成模块，用于根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
预处理模块，用于将所述采光图像进行分割预处理，得到采光图像的图像特征；
建立模块，用于建立卷积神经网络模型；
构建模块，用于构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
映射模块，用于将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合S1映射得到第二向量集合S2；
卷积层模块，用于所述第二向量集合S2经过包含Sigmoid函数的卷积层，得到细节特征向量集合S3；
池化层模块，用于所述细节特征向量集合S3经过Maxpooling池化层和连接的卷积层，得到全局特征图S4；
全连接层模块，用于所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5；
梯度更新模块，用于利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
采光图像输出模块，用于将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
计算模块，用于根据所述采光图像计算出采光率；
所述池化层模块包括：
所述卷积层包含以下分支描述：
；
为细节特征向量集合中的特征向量，/>为注意力分支描述； />、/>、/>为是卷积函数；/>、/>、/>是整形函数操作；/>是softmax函数操作，该分支描述输出为/>，/>是指Cayley乘积。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的室内设计用室内采光率模拟方法的步骤。
8.一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，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的室内设计用室内采光率模拟方法的步骤。
CN202410064538.2A 2024-01-17 2024-01-17 一种室内设计用室内采光率模拟系统、方法及装置 Active CN117574787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410064538.2A CN117574787B (zh) 2024-01-17 2024-01-17 一种室内设计用室内采光率模拟系统、方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410064538.2A CN117574787B (zh) 2024-01-17 2024-01-17 一种室内设计用室内采光率模拟系统、方法及装置

Publications (2)

Publication Number Publication Date
CN117574787A CN117574787A (zh) 2024-02-20
CN117574787B true CN117574787B (zh) 2024-04-30

Family

ID=89886751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410064538.2A Active CN117574787B (zh) 2024-01-17 2024-01-17 一种室内设计用室内采光率模拟系统、方法及装置

Country Status (1)

Country Link
CN (1) CN117574787B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613581A (zh) * 2020-12-31 2021-04-06 广州大学华软软件学院 一种图像识别方法、系统、计算机设备和存储介质
CN112883969A (zh) * 2021-03-01 2021-06-01 河海大学 一种基于卷积神经网络的降雨强度检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11776095B2 (en) * 2018-09-24 2023-10-03 Google Llc Photo relighting using deep neural networks and confidence learning
US11369318B2 (en) * 2019-05-31 2022-06-28 Light Ai, Inc. Image processing of streptococcal infection in pharyngitis subjects
WO2021229684A1 (ja) * 2020-05-12 2021-11-18 オリンパス株式会社 画像処理システム、内視鏡システム、画像処理方法及び学習方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613581A (zh) * 2020-12-31 2021-04-06 广州大学华软软件学院 一种图像识别方法、系统、计算机设备和存储介质
CN112883969A (zh) * 2021-03-01 2021-06-01 河海大学 一种基于卷积神经网络的降雨强度检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A review on the current usage of machine learning tools for daylighting design and control Building and Environment;Jack Ngarambe等;Building and Environment;20220930;第1-17页 *
基于卷积神经网络和改进模糊C均值的遥感图像检索;彭晏飞等;激光与光电子学进展;20180910(09);第173-182页 *

Also Published As

Publication number Publication date
CN117574787A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
Al-Dahidi et al. Assessment of artificial neural networks learning algorithms and training datasets for solar photovoltaic power production prediction
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN111639787A (zh) 一种基于图卷积网络的时空数据预测方法
CN109409261B (zh) 一种农作物分类方法及系统
Zhang et al. Hourly prediction of PM 2.5 concentration in Beijing based on Bi-LSTM neural network
CN115347571B (zh) 基于迁移学习的光伏发电功率短期预测方法及装置
CN115907436B (zh) 基于量质耦合预报的水资源水环境调控方法和系统
CN115880691B (zh) 一种基于计算机视觉的屋顶光伏潜力估计方法
CN113128478A (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
Gauch et al. Data-driven vs. physically-based streamflow prediction models
CN114330935A (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN117374956A (zh) 一种针对综合能源站光伏发电的短期预测方法
CN112560633B (zh) 基于深度学习的植物关键物候期时间点预测方法及系统
CN117574787B (zh) 一种室内设计用室内采光率模拟系统、方法及装置
TWI717796B (zh) 以人工智慧估測地理位置日照量之系統、方法及儲存媒體
CN110174714B (zh) 基于机器学习的街道空间日照时数批量化测量方法及系统
CN113240219A (zh) 一种土地利用模拟及预测方法
CN116955450A (zh) 一种融合流域产汇流时空过程的水文预报方法和系统
Brahma et al. Visualizing solar irradiance data in ArcGIS and forecasting based on a novel deep neural network mechanism
CN107895385B (zh) 基于卷积神经网络的对单张室外图像太阳位置的预测方法
Ngarambe et al. Coupling convolutional neural networks with gated recurrent units to model illuminance distribution from light pipe systems
CN117152427A (zh) 基于扩散模型和知识蒸馏的遥感图像语义分割方法与系统
CN116128168A (zh) 基于因果扩充卷积和Autoformer的气象预测法
CN115713691A (zh) 一种基于夜光遥感的像元级电力普及率估算方法及装置
CN114418243B (zh) 分布式新能源云端网格预测方法与系统

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