目前國內(nèi)外基于機(jī)器學(xué)習(xí)的建筑能耗預(yù)測基本限制于特定地區(qū),特定建筑類型的前提下進(jìn)行能耗的預(yù)測。模型大多使用線形回歸,支持向量機(jī),高斯過程,多元自適應(yīng)回歸樣條和隨機(jī)森林等。預(yù)測目標(biāo)分為定性分類和建筑能耗（Energy Use Intensity,簡稱EUI）數(shù)值等。模型的數(shù)據(jù)樣本在數(shù)量和多樣性上都存在一些局限性,因此模型的適用范圍也局限于特定地區(qū)和特定建筑類型。本文提出了新的建筑能耗數(shù)據(jù)來源和建筑能耗特征提取方法,使用歐特克公司的Green Building Studio及相關(guān)服務(wù)作為數(shù)據(jù)源進(jìn)行了特征提取,然后基于深度學(xué)習(xí)模型對(duì)建筑能耗（EUI）的預(yù)測進(jìn)行了研究。主要研究內(nèi)容包含了以下5個(gè)方面:（1）建筑能耗參數(shù)的識(shí)別與定義,解決地理位置和建筑類型的限制;（2）建筑能耗參數(shù)的提取方法,歸一化方法的研究與實(shí)現(xiàn);（3）研究了深度學(xué)習(xí)模型對(duì)建筑能耗預(yù)測的適用性;（4）深度學(xué)習(xí)模型的程序?qū)崿F(xiàn)以及調(diào)整優(yōu)化超參數(shù)的思路與方法;（5）對(duì)預(yù)測結(jié)果進(jìn)行評(píng)測,與多元線形回歸,支持向量回歸等模型的結(jié)果進(jìn)行對(duì)比。相比多元線形回歸與支持向量回歸,深度學(xué)習(xí)模型取得了較好的建筑能耗預(yù)測結(jié)果:均方根誤差RMSE達(dá)到了0.... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

M-P神經(jīng)元模型

上海交通大學(xué)工程碩士學(xué)位論文第二章預(yù)測模型及方法82.2感知機(jī)FrankRosenblatt提出的感知機(jī)是一種基于“M-P”模型的線性二分類模型：輸入n維實(shí)數(shù)的特征向量，線性組合后，結(jié)果大于某個(gè)數(shù)時(shí)輸出1，否則輸出-1�？梢杂霉剑�2-3）表示：f(0,1,2,3…n)=1,5++-+.9>01,5++-+.9≤0（2-3）2.2.1單層感知機(jī)Frank.Roseblatt給出了當(dāng)兩類模式是線性可分時(shí)（即存在一個(gè)超平面，將兩類模式分開），算法一定收斂的證明。表2-1以具有兩個(gè)輸入的單層感知機(jī)為例（閾值是對(duì)線性取值進(jìn)行平移，暫時(shí)忽略閾值），展示了And，Or，Not和Xor的關(guān)系：表2-1單層感知機(jī)的布爾代數(shù)表述Table2-1BooleanAlgebraofOneLayerPerceptron"$AndOrNot(")Not($)Xor0001110010110110000111110000邏輯And，Or，Not(")和Not(x$)都可以用一條直線來分隔結(jié)果0（False）和1（True）。但由于單層感知機(jī)的局限，無法對(duì)Xor進(jìn)行分類，即無法解決不可線性分割問題[22]，邏輯Xor如圖2-2：圖2-2邏輯XorFig.2-2LogicXor

上海交通大學(xué)工程碩士學(xué)位論文第二章預(yù)測模型及方法92.2.2多層感知機(jī)很多線性不可分的問題可以通過多層多個(gè)感知機(jī)實(shí)現(xiàn)復(fù)雜空間的分割：圖2-3單隱層層感知機(jī)解決異或問題Fig.2-3SolveXorIssuewithSingleHiddenLayerPerceptron如圖2-3，第一層感知機(jī)的兩個(gè)線性分類器將特征空間分割成兩部分，然后經(jīng)過線性組合做為第二層感知機(jī)的輸入，進(jìn)而實(shí)現(xiàn)了異或運(yùn)算的空間分割：=D5FG5HFH+9FJH."K+9-F."L（2-4）式（2-4）中的θ()為階梯函數(shù)。Kolmogorov的理論[23]指出雙隱層感知機(jī)可解決任意復(fù)雜的分類問題。但實(shí)際問題中的復(fù)雜性要比異或問題更加復(fù)雜，所以需要構(gòu)建多層網(wǎng)絡(luò)來解決復(fù)雜問題，這樣的多層結(jié)構(gòu)稱為神經(jīng)網(wǎng)絡(luò)，使用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的到的模型稱為深度學(xué)習(xí)模型。2.3激活函數(shù)公式（2-1）展示了激活函數(shù)的作用，而不同的激活函數(shù)會(huì)使神經(jīng)網(wǎng)絡(luò)具有不同的特性。下面說明幾種較常用的激活函數(shù)：階梯函數(shù)（公式2-5），Sigmoid

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器學(xué)習(xí)的建筑能耗模型適用性研究[J]. 田瑋,魏來,李占勇,孟慶新,宋繼田,楊松.  天津科技大學(xué)學(xué)報(bào). 2016(03)
[2]基于KPCA-WLSSVM的公共建筑能耗預(yù)測[J]. 許巧玲,林躍東,嚴(yán)哲欽.  江南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(06)
[3]基于時(shí)間序列分析的建筑能耗預(yù)測方法[J]. 周芮錦,潘毅群,黃治鐘.  暖通空調(diào). 2013(08)
[4]BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J]. 柳小桐.  機(jī)械工程與自動(dòng)化. 2010(03)

博士論文
[1]城市居住建筑能耗影響因素與預(yù)測模型構(gòu)建研究[D]. 蒲清平.重慶大學(xué) 2012

碩士論文
[1]影響成都地區(qū)住宅建筑能耗的相關(guān)因素分析[D]. 朱磊.西南交通大學(xué) 2017
[2]基于機(jī)器學(xué)習(xí)方法的建筑能耗性能研究[D]. 魏來.天津科技大學(xué) 2016
[3]基于回歸分析和數(shù)據(jù)挖掘的建筑能耗基準(zhǔn)評(píng)價(jià)模型研究[D]. 韓連華.北京工業(yè)大學(xué) 2009



本文編號(hào)：3510534