CN118052130A - 机场航站楼冷负荷可解释预测建模方法、系统、设备及介质 - Google Patents
机场航站楼冷负荷可解释预测建模方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN118052130A CN118052130A CN202311871500.8A CN202311871500A CN118052130A CN 118052130 A CN118052130 A CN 118052130A CN 202311871500 A CN202311871500 A CN 202311871500A CN 118052130 A CN118052130 A CN 118052130A
- Authority
- CN
- China
- Prior art keywords
- airport terminal
- model
- cold load
- data
- terminal cold
- 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
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供机场航站楼冷负荷可解释预测建模方法、系统、设备及介质，包括以下步骤：采集机场航站楼中影响环境温度的相关数据信息，对所述相关数据信息进行预处理，并生成孪生数据；基于学习模型将孪生数据作为训练数据样本，以采集的所述相关数据信息为输入，以机场航站楼冷负荷需求为输出，得到机场航站楼冷负荷预测模型；采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值，并基于Shapley数值解释和预测结果；本申请基于孪生数据能够对目标实体全面和深入的模拟，提高机场航站楼冷负荷可解释预测的准确性。
Description
技术领域
本发明属于机场航站楼环境控制系统智能控制技术领域，具体涉及机场航站楼冷负荷可解释预测建模方法、系统、设备及介质。
背景技术
机场航站楼作为重要的城市交通枢纽，其服务系统功能多、人员流动规模大、全年运行时间长等特点，因此其成为了能源消耗的重要场所，其平均能耗强度是普通公共建筑的2.9倍，是城镇住宅建筑的8.0倍，属于典型的高能耗高排放建筑，而作为能源消耗的重要设备，暖通空调系统占据了整个航站楼能耗的40％～80％，实施高效节能的环境控制策略成为了机场航站楼绿色低碳发展的迫切需求，由于空间结构连贯、系统规模庞大、人员流动剧烈，机场航站楼室内环境影响因素多、滞后效应强，难以使用传统机理建模方法表征其动态变化规律。
数字孪生是利用物理模型、传感器更新、运行历史等数据，通过多种维度数字化仿真，在虚拟空间中形成数字映射，实现对物理实体及其行为的精确数字复刻；目前，数字孪生理论与技术已广泛应用到建筑、电力、医疗、农业、制造、船舶、采矿、军事等众多领域；然而，若直接采用通用数字孪生技术应用于机场航站楼冷负荷可解释预测中，则存在孪生数据质量不高、孪生模型可解释性差的问题，造成预测结果不准确的问题。
发明内容
针对现有技术中存在的问题，本发明提供机场航站楼冷负荷可解释预测建模方法、系统、设备及介质，用于提高机场航站楼冷负荷可解释预测的准确性。
本发明是通过以下技术方案来实现：
机场航站楼冷负荷可解释预测建模方法，包括以下步骤：
采集机场航站楼中影响环境温度的相关数据信息，对所述相关数据信息进行预处理，并生成孪生数据；
基于学习模型将孪生数据作为训练数据样本，以采集的所述相关数据信息为输入，以机场航站楼冷负荷需求为输出，得到机场航站楼冷负荷预测模型；
采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值，并基于Shapley数值解释和预测结果。
进一步的，所述机场航站楼中影响环境温度的相关数据信息包括室外温度、室外湿度、降水概率及航班波的数据信息；
对所述相关数据信息进行预处理的过程包括异常数据剔除、数据修复、数据标准化步骤。
进一步的，所述生成孪生数据的过程为：
感知物理实体及其行为的状态X＝{x1,x2,...,xn}；
对X＝{x1,x2,...,xn}进行数据预处理，剔除其中异常数据并进行数据修复，补全其中缺失数据，进而形成可信孪生数据Y＝{y1,y2,...,yn}；
基于数据驱动方式利用可信孪生数据构建得到可信孪生模型；
采用SHAP模型对构建的可信孪生模型进行合理性验证，并解释模型的输入参数与计算结果的关系；
利用构建的可信孪生模型为服务应用模块提供支撑；
服务应用为物理实体提供控制策略。
进一步的，所述学习模型为多模型融合Stacking集成学习框架。
进一步的，所述多模型融合Stacking集成学习框架的建模流程为：
使用XGBoost、GBDT和RF算法按照输入特征贡献度进行分析，并辅助特征选择；
分析各个算法的误差分布情况，选择差异较大算法作为第一层预测模型，划分原始数据集，使用交叉验证方式，并选择各个模型的最优超参数；
使用划分后的数据集对Stacking集成学习框架中的第一层预测算法分别训练，并输出预测结果，生成新的数据集；
使用新的数据集对Stacking集成学习框架中第二层算法进行训练，基于多模型融合的Stacking集成学习算法训练建模集成学习框架。
进一步的，所述采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值的过程为：
SHAP模型使用加性特征归因方法进行模型解释，将机场航站楼冷负荷模型的预测结果定义为每个特征Shapely数值的线性和。
进一步的，所述将机场航站楼冷负荷模型的预测结果定义为每个特征Shapely数值的线性和的过程为：
式中，g(x’)表示解释模型，φ0表示解释模型的常数，该常数为所有训练样本的预测结果均值，M表示特征的维度数量，φi表示第i个特征的Shapley数值，S表示排除第i个特征值的所有特征集合，F表示所有特征的集合，f(x)表示样本x的模型预测值。
机场航站楼冷负荷可解释预测建模系统，包括：
采集模块，被配置为采集机场航站楼中影响环境温度的相关数据信息，对所述相关数据信息进行预处理，并生成孪生数据；
处理模块，被配置为基于学习模型将孪生数据作为训练数据样本，以采集的所述相关数据信息为输入，以机场航站楼冷负荷需求为输出，得到机场航站楼冷负荷预测模型；
输出模块，被配置为采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值，并基于Shapley数值解释和预测结果。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述机场航站楼冷负荷可解释预测建模方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述机场航站楼冷负荷可解释预测建模方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供机场航站楼冷负荷可解释预测建模方法、系统、设备及介质，包括以下步骤：采集机场航站楼中影响环境温度的相关数据信息，对所述相关数据信息进行预处理，并生成孪生数据；基于学习模型将孪生数据作为训练数据样本，以采集的所述相关数据信息为输入，以机场航站楼冷负荷需求为输出，得到机场航站楼冷负荷预测模型；采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值，并基于Shapley数值解释和预测结果；本申请基于孪生数据能够对目标实体全面和深入的模拟，提高机场航站楼冷负荷可解释预测的准确性。
附图说明
图1为本发明实施例中机场航站楼冷负荷可解释预测建模方法流程图；
图2为本发明实施例中机场航站楼冷负荷可解释预测建模方法流程框图；
图3为本发明实施例中生成孪生数据的流程图；
图4示出了本实施例中采集的该机场航站楼的冷负荷数据图；
图5示出了本实施例中采集的该机场航站楼室外温度数据图；
图6示出了本实施例中采集的该机场航站楼室外湿度数据图；
图7示出了本实施例中采集的该机场航站楼的室外降水概率数据图；
图8示出了本实施例中采集的该机场航站楼的机场航班波数据示意图；
图9示出了本实施例中机场冷负荷预测结果示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供机场航站楼冷负荷可解释预测建模方法，如图1和图2所示，包括以下步骤：
采集机场航站楼中影响环境温度的相关数据信息，对所述相关数据信息进行预处理，并生成孪生数据；
基于学习模型将孪生数据作为训练数据样本，以采集的所述相关数据信息为输入，以机场航站楼冷负荷需求为输出，得到机场航站楼冷负荷预测模型；
采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值，并基于Shapley数值解释和预测结果。
优选的在本实施例中，所述机场航站楼中影响环境温度的相关数据信息包括室外温度、室外湿度、降水概率及航班波的数据信息；
对所述相关数据信息进行预处理的过程包括异常数据剔除、数据修复、数据标准化步骤。
优选的在本实施例中，如图3所示，所述生成孪生数据的过程为：
感知物理实体及其行为的状态X＝{x1,x2,...,xn}；
对X＝{x1,x2,...,xn}进行数据预处理，剔除其中异常数据并进行数据修复，补全其中缺失数据，进而形成可信孪生数据Y＝{y1,y2,...,yn}；
基于数据驱动方式利用可信孪生数据构建得到可信孪生模型；
采用SHAP模型对构建的可信孪生模型进行合理性验证，并解释模型的输入参数与计算结果的关系；
利用构建的可信孪生模型为服务应用模块提供支撑。
具体来说，在所述生成孪生数据的过程中，需要收集大量的数据，这些数据应来自不同的源头，并且具有一定的可信度。孪生数据是指与现实世界中的事物或现象相对应的数据，这些数据可以通过各种传感器、观测设备或其他途径获得；
在收集到原始数据后，需要进行清洗和预处理，以消除错误、异常或不完整的数据，这包括去除重复信息、填充缺失值、处理异常值等；
将清洗和预处理后的数据转换为适合模型训练的形式，并进行特征提取，特征提取是指从原始数据中提取出有意义的属性，这些属性能够反映数据的内在规律和模式；
在模型训练完成后，需要评估其性能和准确性，可以通过交叉验证、调整超参数等方式优化模型，评估指标可以根据具体问题来确定，例如准确率、召回率、F1分数等；
将训练好的模型部署到实际应用中，用于预测或分类等任务，可以通过API接口、网页应用或其他方式提供服务。
在模型应用过程中，需要定期监控其性能和准确性，并根据需要进行更新和维护，这可能包括重新训练模型、调整参数或更新数据等操作。
需要说明的是，所述学习模型为多模型融合Stacking集成学习框架。
具体来说，所述多模型融合Stacking集成学习框架的建模流程为：
使用XGBoost、GBDT和RF算法按照输入特征贡献度进行分析，并辅助特征选择；
分析各个算法的误差分布情况，选择差异较大算法作为第一层预测模型，划分原始数据集，使用交叉验证方式，并选择各个模型的最优超参数；
使用划分后的数据集对Stacking集成学习框架中的第一层预测算法分别训练，并输出预测结果，生成新的数据集；
使用新的数据集对Stacking集成学习框架中第二层算法进行训练，基于多模型融合的Stacking集成学习算法训练建模集成学习框架。
需要说明的是，在本实施例中所述的XGBoost是一种高效的梯度提升决策树算法，在原有的GBDT基础上进行了改进，使得模型效果得到大大提升，其作为一种前向加法模型，其核心是采用集成思想——Boosting思想，将多个弱学习器通过一定的方法整合为一个强学习器，即用多棵树共同决策，并且用每棵树的结果都是目标值与之前所有树的预测结果之差，并将所有的结果累加即得到最终的结果，以此达到整个模型效果的提升；此外，XGBoost是由多棵CART(Classification And Regression Tree)，即分类回归树组成，因此它可以处理分类回归等问题。
在本实施例中所述的GBDT(Gradient Boosting Decision Tree)是一种迭代的决策树算法，GBDT通过构造一系列的弱分类器(树)，并将它们的输出结果累加起来作为最终的预测输出，这个过程是在梯度提升框架下进行的，也就是说，下一棵树的训练目标是尽可能地修正前一棵树的误差；GBDT中的每棵树都是一个回归树，而不是分类树，这意味着所有的树都用于回归问题，而不是分类问题，然而，GBDT既可以用于回归问题，也可以用于分类问题，这是因为它的输出结果是一个实数，可以用来预测连续的量，也可以用来进行分类任务，在分类任务中，可以通过设置一个阈值将实数输出转换为类别标签；此外，GBDT采用前向分布算法进行迭代，这是一种有效的算法策略，用于计算模型在每个步骤中的预测误差。这个策略通过加法模型来表示GBDT的输出结果，使得模型的更新和计算更加高效。
在本实施例中所述的RF(Random Forest)是一种基于决策树的集成学习算法，它通过构建多棵决策树并综合它们的预测结果来提高模型的准确性和稳定性。
优选的，所述采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值的过程为：
SHAP模型使用加性特征归因方法进行模型解释，将机场航站楼冷负荷模型的预测结果定义为每个特征Shapely数值的线性和。
具体来说，所述将机场航站楼冷负荷模型的预测结果定义为每个特征Shapely数值的线性和的过程为：
式中，g(x’)表示解释模型，φ0表示解释模型的常数，该常数为所有训练样本的预测结果均值，M表示特征的维度数量，φi表示第i个特征的Shapley数值，S表示排除第i个特征值的所有特征集合，F表示所有特征的集合，f(x)表示样本x的模型预测值。
实施例：
采集我国某大型机场T2航站楼某日期间冷负荷数据、室外温度、室外湿度、降水概率及航班波数据。具体来说，本实施例设置每间隔一小时对该航站楼的内部温度环境和外部温度环境进行检测，图4示出了本实施例中采集的该机场航站楼的冷负荷数据图，即不同时间节点时该航站楼的制冷量，图5示出了本实施例中采集的该机场航站楼室外温度数据图，图6示出了本实施例中采集的该机场航站楼室外湿度数据图，图7示出了本实施例中采集的该机场航站楼的室外降水概率数据图，图8示出了本实施例中采集的该机场航站楼的机场航班波数据示意图，所述场航班波数据包括计划进港、实际进港、计划出港、实际出港，图9示出了本实施例中机场冷负荷预测结果示意图，图中系列1为真实数据，系列2为采用本申请得到的预测数据；表1示出了某日该机场航站楼真实冷负荷及预测冷负荷一览表，其中真实冷负荷与预测冷负荷的单位均为冷吨，RT，如表1所示，
表1.某日该机场航站楼真实冷负荷及预测冷负荷一览表
从图9和表1可以看出，采用本申请提出的机场航站楼冷负荷可解释预测建模方法，建立机场航站楼冷负荷预测模型，实验表明：预测误差率小于7.36％。
本发明提供机场航站楼冷负荷可解释预测建模系统，包括：
采集模块，被配置为采集机场航站楼中影响环境温度的相关数据信息，对所述相关数据信息进行预处理，并生成孪生数据；
处理模块，被配置为基于学习模型将孪生数据作为训练数据样本，以采集的所述相关数据信息为输入，以机场航站楼冷负荷需求为输出，得到机场航站楼冷负荷预测模型；
输出模块，被配置为采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值，并基于Shapley数值解释和预测结果。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于机场航站楼冷负荷可解释预测建模方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关机场航站楼冷负荷可解释预测建模方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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装置的制造品，该指令装置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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (10)
1.机场航站楼冷负荷可解释预测建模方法，其特征在于，包括以下步骤：
采集机场航站楼中影响环境温度的相关数据信息，对所述相关数据信息进行预处理，并生成孪生数据；
基于学习模型将孪生数据作为训练数据样本，以采集的所述相关数据信息为输入，以机场航站楼冷负荷需求为输出，得到机场航站楼冷负荷预测模型；
采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值，并基于Shapley数值解释和预测结果。
2.根据权利要求1所述机场航站楼冷负荷可解释预测建模方法，其特征在于，所述机场航站楼中影响环境温度的相关数据信息包括室外温度、室外湿度、降水概率及航班波的数据信息；
对所述相关数据信息进行预处理的过程包括异常数据剔除、数据修复、数据标准化步骤。
3.根据权利要求1所述机场航站楼冷负荷可解释预测建模方法，其特征在于，所述生成孪生数据的过程为：
感知物理实体及其行为的状态X＝{x1,x2,...,xn}；
对X＝{x1,x2,...,xn}进行数据预处理，剔除其中异常数据并进行数据修复，补全其中缺失数据，进而形成可信孪生数据Y＝{y1,y2,...,yn}；
基于数据驱动方式利用可信孪生数据构建得到可信孪生模型；
采用SHAP模型对构建的可信孪生模型进行合理性验证，并解释模型的输入参数与计算结果的关系；
利用构建的可信孪生模型为服务应用模块提供支撑；
服务应用为物理实体提供控制策略。
4.根据权利要求1所述机场航站楼冷负荷可解释预测建模方法，其特征在于，所述学习模型为多模型融合Stacking集成学习框架。
5.根据权利要求4所述机场航站楼冷负荷可解释预测建模方法，其特征在于，所述多模型融合Stacking集成学习框架的建模流程为：
使用XGBoost、GBDT和RF算法按照输入特征贡献度进行分析，并辅助特征选择；
分析各个算法的误差分布情况，选择差异较大算法作为第一层预测模型，划分原始数据集，使用交叉验证方式，并选择各个模型的最优超参数；
使用划分后的数据集对Stacking集成学习框架中的第一层预测算法分别训练，并输出预测结果，生成新的数据集；
使用新的数据集对Stacking集成学习框架中第二层算法进行训练，基于多模型融合的Stacking集成学习算法训练建模集成学习框架。
6.根据权利要求1所述机场航站楼冷负荷可解释预测建模方法，其特征在于，所述采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值的过程为：
SHAP模型使用加性特征归因方法进行模型解释，将机场航站楼冷负荷模型的预测结果定义为每个特征Shapely数值的线性和。
7.根据权利要求6所述机场航站楼冷负荷可解释预测建模方法，其特征在于，所述将机场航站楼冷负荷模型的预测结果定义为每个特征Shapely数值的线性和的过程为：
式中，g(x’)表示解释模型，φ0表示解释模型的常数，该常数为所有训练样本的预测结果均值，M表示特征的维度数量，φi表示第i个特征的Shapley数值，S表示排除第i个特征值的所有特征集合，F表示所有特征的集合，f(x)表示样本x的模型预测值。
8.机场航站楼冷负荷可解释预测建模系统，其特征在于，基于权利要求1-7任一项所述机场航站楼冷负荷可解释预测建模方法，包括：
采集模块，被配置为采集机场航站楼中影响环境温度的相关数据信息，对所述相关数据信息进行预处理，并生成孪生数据；
处理模块，被配置为基于学习模型将孪生数据作为训练数据样本，以采集的所述相关数据信息为输入，以机场航站楼冷负荷需求为输出，得到机场航站楼冷负荷预测模型；
输出模块，被配置为采用SHAP模型得到各项相关数据信息在机场航站楼冷负荷预测模型中的Shapley数值，并基于Shapley数值解释和预测结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述机场航站楼冷负荷可解释预测建模方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述机场航站楼冷负荷可解释预测建模方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311871500.8A CN118052130A (zh) | 2023-12-29 | 2023-12-29 | 机场航站楼冷负荷可解释预测建模方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311871500.8A CN118052130A (zh) | 2023-12-29 | 2023-12-29 | 机场航站楼冷负荷可解释预测建模方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118052130A true CN118052130A (zh) | 2024-05-17 |
Family
ID=91051113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311871500.8A Pending CN118052130A (zh) | 2023-12-29 | 2023-12-29 | 机场航站楼冷负荷可解释预测建模方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118052130A (zh) |
-
2023
- 2023-12-29 CN CN202311871500.8A patent/CN118052130A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tran et al. | Nature-inspired metaheuristic ensemble model for forecasting energy consumption in residential buildings | |
| Moonchai et al. | Short-term forecasting of renewable energy consumption: Augmentation of a modified grey model with a Kalman filter | |
| Corizzo et al. | Anomaly detection and repair for accurate predictions in geo-distributed big data | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN102222313B (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
| CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
| Naik et al. | Weather classification and forecasting using back propagation feed-forward neural network | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN108665052A (zh) | 果蝇算法优化广义回归神经网络的方法和装置 | |
| Ye et al. | Evaluating performance of different generative adversarial networks for large-scale building power demand prediction | |
| CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及系统 | |
| CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
| Manoj et al. | FWS-DL: forecasting wind speed based on deep learning algorithms | |
| CN118052130A (zh) | 机场航站楼冷负荷可解释预测建模方法、系统、设备及介质 | |
| Sharma et al. | Deep Learning Based Prediction Of Weather Using Hybrid_stacked Bi-Long Short Term Memory | |
| CN115907079A (zh) | 一种基于注意力时空图卷积网络的空域交通流量预测方法 | |
| Zhang et al. | A novel combinational forecasting model of dust storms based on rare classes classification algorithm | |
| Wang et al. | Ultra-short-term wind speed prediction based on empirical wavelet transform and combined model | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
| Azadeh et al. | An adaptive-network-based fuzzy inference system-data envelopment analysis algorithm for optimization of long-term electricity consumption, forecasting and policy analysis: the case of seven industrialized countries | |
| Han et al. | Predicting energy use in construction using Extreme Gradient Boosting | |
| CN117909888B (zh) | 智慧人工智能气候预测方法 | |
| Hwang et al. | CC-GAIN: Clustering and Classification-Based Generative Adversarial Imputation Network for Missing Electricity Consumption Data Imputation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |