具体实施方式

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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，图1是本发明某一实施例提供的建筑冷热负荷预测方法的流程示意图。在本实施例中，建筑冷热负荷预测方法，包括以下步骤：

S110，获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；

S120，选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；

在某一实施例中，对所述训练集进行拟合，使用到的机器学习模型包括：岭回归模型、山脊回归模型、随机森林模型、Bagging算法模型、极限树模型和K-近邻模型。

S130，根据各所述测试集和各所述预测结果，分析每个所述机器学习模型的预测精度；

S140，将预测精度最高的机器学习模型作为最终模型，并将待预测建筑的建筑属性数据输入所述最终模型，得到所述待预测建筑的预测冷热负荷数据。

在本发明实施例中，所述建筑属性数据集包括若干个建筑属性数据，每个建筑属性数据均包括建筑的相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积和透光率。

在本发明实施例中，步骤S120，选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果，包括：

选取Lasso回归模型对所述训练集进行拟合，具体优化目标公式为：

其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；y_i表示第i个数据的实际负荷数；X_i表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||₁表示属性系数矩阵的1范数；λ为惩罚因子。

在本发明实施例中，步骤S120，选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果，包括：

选取Bagging算法模型对所述训练集进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器h_t；基于简单投票法将T个基学习器的结果聚合，具体公式如下：

其中，l表示损失函数，即预测值与真实值之间的差；表示选择每个基学习器的权值w_t使得预测误差最小；h_t(x_i)表示基学习器h_t对样本x_i的预测。

在某一具体实施例中，获取某一商用建筑自身属性以及冷热负荷数据，构建训练集与测试集；选取机器学习中的岭回归、山脊回归，随机森林，Bagging，极限树和K-近邻6种典型模型对训练集进行拟合，并使用交叉验证的方法在测试集上测试模型的预测精度；使用交叉验证的方法选择效果最好的三种模型，使用模型融合的方法对选出的模型进行融合，得到最终的预测模型；最后应用最终的预测模型，预测商业建筑的冷热负荷。

在本实施例中，所获取的商业建筑自身属性包括相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积、透光率。根据80％训练集和20％测试集的分配比例，将获取的商业建筑数据划分为训练集和测试。

在本实施例中，对于训练集，使用Lasso回归模型进行拟合，具体优化目标公式为：

其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；y_i表示第i个数据的实际负荷数；X_i表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||₁表示属性系数矩阵的1范数；λ为惩罚因子。以公式(1)最小为目标，使用随机梯度下降方法计算的得到系数矩阵ω。上述公式中的||ω||₁也可以替换成系数矩阵的2范数：||ω||₂。范数，是具有“长度”概念的函数。在线性代数、泛函分析及相关的数学领域，范数是一个函数，其为矢量空间内的所有矢量赋予非零的正长度或大小。半范数反而可以为非零的矢量赋予零长度。二范数就是矩阵A的转置共轭矩阵与矩阵A的积的最大特征根的平方根值，是指空间上两个向量矩阵的直线距离。类似于求棋盘上两点间的直线距离。

在本实施例中，对于训练集，使用Bagging算法进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器h_t；基于简单投票法将T个基学习器的结果聚合，具体公式如下：

其中，l表示损失函数，即预测值与真实值之间的差；表示选择每个基学习器的权值w_t使得预测误差最小；h_t(x_i)表示基学习器h_t对样本x_i的预测。

在本实施例中，对于训练集，使用随机森林算法进行拟合。随机森林以Bagging算法为基础，选择决策树作为基学习器。即对于，每个基决策树的每个节点，从该节点的特征集合中随机选择一个包含部分特征集合的子集，然后再从这个子集中选择一个最优属性用于划分。其余特征与使用Bagging算法进行拟合相同。

在本实施例中，对于训练集，使用极限树模型进行拟合。极限树模型以随机森林模型为基础，在训练基学习器的过程中，不再从原有训练集中随机抽取构建新样本集，而是在全体训练样本的基础上进行基学习器的生成。

在某一具体实施例中，步骤S140，根据所述预测精度，选择机器学习模型中精度最高的作为最终模型。

针对每一种模型，将训练数据集划分成k个大小相似的互斥子集，即D＝D₁∪D₂∪...∪D_k。其中D表示整个训练数据集。在其中k-1个子集的并集上进行训练，在剩余的那一个集合上进行验证。其中每一个子集都会被用于验证一次，如此循环k次，求出预测精度的平均值和标准差。选择其中平均值较大，标准差较小的模型，具体结果如表1所示，根据交叉验证结果，选择Bagging，随机森林和极限树作为模型融合的基模型。

表1模型的交叉验证结果

接着采用学习法模型融合技术，将选出的模型进行融合。假设选出的J种模型m₁，m₂，...m_J。首先将训练集中的训练特征输入所选出模型m_j，接着得出一组预测值其中表示模型j对数据集中第n个数据进行预测。将生成的预测值当做融合模型的特征值，将原数据集的实际负荷数作为真实值，采用多响应线性回归算法进行拟合，得到最终的预测模型。

在本发明实施例中，将待预测建筑属性数据输入所述最终模型，得到预测冷热负荷数据。下面举出该实施例的计算效果

表2展示了各种模型的预测结果，以及加入模型融合后的效果。由结果可以看出这三种模型在建筑负荷预测任务上已经有较高性能表现，尤其是热负荷的预测，但是对于冷负荷的预测仍有较明显误差。因此我们通过模型融合的方式，对三种模型的预测结果进行加权融合，进而提升负荷预测准确度以及模型的泛化性能。由结果可以看出，相对于Bagging，随机森林和极限树在树分叉属性的生成上是对所有数据的完全随机，有更高的随机性，因此获得了更好的性能。在加入模型融合后，热负荷和冷负荷的预测精度都有提升，说明模型融合在已有模型的基础上，对每个模型的预测较准确的对象赋予了较高的权重，相当于保留了每个模型的优点，进一步提升了模型的表现。

表2实施例结果

本发明公开的建筑冷热负荷预测方法，包括获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；根据所述测试集和所述预测结果，分析所述机器学习模型的预测精度；根据所述预测精度，选择机器学习模型中精度最高的作为最终模型；将待预测建筑属性数据输入所述最终模型，得到预测冷热负荷数据。本发明能够解决现有模拟算法建立的模型不够全面，预测出的结果精度不够高的问题。

请参阅图1，图1是本发明某一实施例提供的建筑冷热负荷预测方法的流程示意图。在本实施例中，建筑冷热负荷预测装置，包括：

数据获取模块210，用于获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；

拟合预测模块220，用于选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；

模型分析模块230，用于根据所述测试集和所述预测结果，分析所述机器学习模型的预测精度；

模型筛选模块240，用于根据所述预测精度，选择机器学习模型中精度最高的作为最终模型；

目标预测模块250，用于将待预测建筑属性数据输入所述最终模型，得到预测冷热负荷数据。

在本发明实施例中，所述建筑属性数据集包括建筑的相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积和透光率。

在本发明实施例中，所述拟合预测模块用于选取Lasso回归模型对所述训练集进行拟合，具体优化目标公式为：

其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；y_i表示第i个数据的实际负荷数；X_i表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||₁表示属性系数矩阵的1范数；λ为惩罚因子。

在本发明实施例中，所述拟合预测模块用于选取Bagging算法模型对所述训练集进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器h_t；基于简单投票法将T个基学习器的结果聚合，具体公式如下：

其中，l表示损失函数，即预测值与真实值之间的差；表示选择每个基学习器的权值w_t使得预测误差最小；h_t(x_i)表示基学习器h_t对样本x_i的预测。

关于建筑冷热负荷预测装置的具体限定可以参见上文中对于建筑冷热负荷预测方法的限定，在此不再赘述。上述建筑冷热负荷预测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。

请参阅图3，本发明实施例提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当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实现如上述任意一个实施例中的建筑冷热负荷预测方法。

处理器用于控制该计算机终端设备的整体操作，以完成上述的建筑冷热负荷预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的建筑冷热负荷预测方法，并达到如上述方法一致的技术效果。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的建筑冷热负荷预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的建筑冷热负荷预测方法，并达到如上述方法一致的技术效果。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。