GEOFLUIDS Geofluids 1468 - 8123 1468 - 8115 Hindawi 10.1155 / 2021/7271383 7271383 研究文章 研究居住建筑能耗预测模型相结合的基于随机森林和BP神经网络 张 Xuenan 1 2 https://orcid.org/0000 - 0002 - 6750 - 9640 张 金鑫 1 2 https://orcid.org/0000 - 0003 - 1801 - 0410 张 金华 3 张 YuChuan 1 Xudong 张 1 商学院 湖北大学 武汉430062 中国 hubu.edu.cn 2 研究中心中国农业碳减排和碳交易 湖北大学 武汉430062 中国 hubu.edu.cn 3 经济与管理学院 福州大学 福州350108年 中国 fzu.edu.cn 2021年 26 9 2021年 2021年 6 4 2021年 24 6 2021年 21 7 2021年 26 9 2021年 2021年 版权©2021 Xuenan Zhang et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

居住建筑的能源消耗很大一部分在建筑能源消耗,提高能源效率是很重要的居住建筑的绿色发展。为了更有效地评价住宅建筑的能耗,提出了一种基于随机森林预测模型和BP神经网络(RF-BPNN)。验证RF-BPNN组合模型的预测效果,实验通过使用能效数据集在UCI数据库中,和模型评估五个指标:平均绝对误差、均方根误差、平均绝对百分比误差,相关系数,巧合指数。与随机森林相比,BP神经网络模型,和其他现有的模型,分别是由实验结果证明RF-BPNN模型具有更高的预测精度和更好的稳定性。

 中国国家自然科学基金 71871086 1。介绍

全球变暖已经成为一个重要的全球环境问题迫切需要解决。一些数据表明,平均气温上升了0.74°C在过去10年中,和温度增加率在过去5年中是过去100年的两倍 1]。气候变化严重影响了人类的生活和健康。气候变化的主要原因是,人类排放大量的温室气体排放到空气中,而这些气体的来源主要是交通运输的能源消耗,工业和建筑。随着城市化的发展,建筑能耗有显著增加。根据这份报告 建筑和气候变化:总结决策者联合国环境规划署发布的2009年,建筑能耗占全球能源消费的40%,和三分之一的全球温室气体排放与建筑能耗( 2]。据报道,欧洲和北美建筑能源消耗的速度增加了1.5%和1.9%,分别从1999年到2004年( 3]。在中国,建筑能源消费增长率更为戏剧性的10%的年增长率在过去2年 4]。提高建筑能源消耗已经严重影响人类的生活环境。的一个方法有效地减少了额外的能源消耗是采用一种节能的建筑设计,室内环境的建设是舒适,有效减少能源消耗。在 13为经济和社会发展五年计划的中华人民共和国,中国已经确定绿色建筑面积将增加超过20亿平方米的2016年到2020年的时期;因此,建筑行业,这是一个最大的高耗能行业,正面临着一个巨大的挑战 5]。

建筑包括商业建筑、写字楼和住宅。单位能耗住宅面积很小,但总量大;因此,它不能被忽视。住宅建筑,能源消耗主要是由于使用加热、通风和空调系统(HVAC) [ 6]。影响住宅建筑的能耗的参数是环境和房子的结构。环境参数包括温度、湿度、阳光照射,强度等建筑的结构包括相对密实度(RC),表面积(SA),墙面积(WA),屋顶面积(RA),总高度(哦),定位(O)、玻璃面积(GA),玻璃面积分布(GAD)。这些因素影响建筑的节能性能影响热负荷(HL)和冷负荷(CL)的建筑。霍奇金淋巴瘤和CL能源评估方法,增加或删除的部分热能从房间空调系统保持舒适的室内环境 7]。因此,准确预测HL和CL节能建筑的设计是非常重要的。

最近,许多学者提出了仿真工具来预测建筑的HL和CL。Evcil [ 8]估计房屋的能源消耗在塞浦路斯、土耳其,通过计算房屋的平均比热损耗系数。古永锵et al。 9)利用有限元理论估计住宅建筑的能源消耗。李等人。 10]估计住宅的能源消费在中国重庆市的结构、天气状况,和房子的年龄。Simson et al。 11]过热的评估方法,单层模型,建立多层的公寓模型,和多层的建筑模型,它可以动态地、及时地模拟住宅建筑的能源消耗。随着人工智能技术的发展,越来越多的研究人员倾向于使用人工智能的方法来预测能源消耗,如人工神经网络(ANN) [ 12- - - - - - 14),随机森林(RF) ( 15),和极端学习机(ELM) [ 16]。在住宅建筑中,复杂的非线性特性影响建筑能耗之间的关系确定建筑能源消耗的预测结果。机器学习方法可以很好地解决非线性问题和典型的机器学习方法主要包括决策树(DT), K 最近的邻居(资讯),支持向量机(SVM), BP神经网络(摘要),随机森林,等等,而所有的单一模型的优缺点和每台机器学习算法的优点和缺点是列在表中 1。

机器学习算法的优缺点的比较。

算法 优势 缺点
DT ( 17] 结构简单;适合处理大量的数据;运行速度快 不容易处理缺失数据和容易过度拟合;忽略属性数据集之间的关系
然而,( 17] 没有数据分布要求,更快的训练阶段 不容易找到特性之间的关系;计算量大、速度慢
支持向量机( 18] 解决小样本、非线性问题;更好的处理高维数据;更好的泛化能力 可怜的解释高维映射内核函数的能力,尤其是径向基核函数;对缺失的数据值更敏感;较长的训练时间
摘要( 17, 18] 较强的学习能力;强烈的健壮和容错嘈杂的数据;可以处理非线性问题好吗 很难确定网络结构;更多的参数;客观性的训练数据的选择
射频( 19] 可以处理高维问题更高的预测精度;对噪声数据和不容易过度拟合 属于黑盒模型;难以解释的内部运行机制

不同的预测方法反映对象的变化趋势及其影响因素从不同的方面;与此同时,根据各自不同的信息将提供原则。因此,任何单一的预测方法是面对不完全信息和预测精度高的波动 20.]。克服单一的机器学习模型的问题容易过度拟合和敏感噪声数据和预测精度较低,周和Bui [ 7)提出了一种结合SVR模型+安(支持向量机+人工神经网络)。他们的实验结果表明,该SVR +安组合模型具有较高的精度和效率更高而单一模型SVR和安。Kumar et al。 16)提高了极端学习机(ELM)获得OSELM(在线连续的榆树)和B-ELM(双向榆树)和结合这两种方法预测住宅能源消耗。上述模型获得令人满意的结果为居住建筑能耗预测的准确性。然而,在建筑节能和减排,需要更精确的方法来估计建筑能源消耗,可以用作参考建筑工程师设计节能建筑。

住宅建筑的能耗影响的面积的房子,房子的方向,相对密实度的房子,和其他因素。与此同时,数据分布与更复杂的离散属性变量和嘈杂的数据。如表所示 1、BP神经网络和随机森林更适合住宅能源消费预测,他们可以处理非线性问题,对噪声数据与其他机器学习算法相比。但它是可怜的,几乎没有研究相结合射频法和摘要法预测建筑能源消耗在当前的研究。为了提高机器学习模型在预测的准确性建筑能源消耗、射频和摘要本文获得RF-BPNN模型和供暖和冷却系统的能源消耗在不同的住宅建筑能源效率在UCI数据集建立。选择合适的加权平均系数组合模型的单个模型也是一个关键问题将影响模型的性能。相比之下,算术平均( 21)和诱导有序加权平均(爱荷华州) 22),variance-covariance (VC) [ 23)具有更好的鲁棒性。因此,在本文中,使用VC结合射频和摘要来解决这个问题的一个模型的动态重分配。

 2。模型和方法 2.1。基准预测模型 2.1.1。随机森林(RF)

随机森林(RF)从一个分类和回归树(CART),这是一个许多树的集合。购物车方法是一种强大的非线性机器学习方法与简单的原则,通常会产生更精确的预测结果。使用二分递归分区方法,车将样本集分为两个子集,这样将会有两个分支在每个nonleaf节点之上。射频的训练过程是一样的车,与候选人的一个随机选择的子集的差异变量可以用来选择最好的为每一个细分变量。灵活的、健壮的、可用的、高效、射频等可用于分析分类、回归,预测,和聚类 24]。模型已广泛应用于近年来由于其明显的优势在参数优化,变量排名,和随后的变量分析和解释 25- - - - - - 27]。许多实验表明,RF算法能得到更好的预测结果在许多不同的应用程序( 28]。然而,随机森林属于黑盒模型;因此,研究人员不能理解随机森林的内部运行机制。此外,随机森林对噪声十分敏感。

 2.1.2。摘要利用BP神经网络

人工神经网络(ANN)是一个监督机器学习算法。安是基于生物学习和结构类似于人类的神经系统。一个典型的安围绕三层结构,包括一个输入层、隐含层和输出层。安的BP神经网络(摘要)是一种广泛使用的神经网络,这是一个多层前馈神经网络反向传播的错误。在培训过程中,神经元之间的连接权值和阈值不断调整,直到达到目标值。自从BP神经网络能够处理大量的样本,可以有效地解决非线性问题和迅速,广泛应用于疾病诊断领域的( 29日, 30.),交通流预测( 31日,服务质量评价 32]。然而,有一个明显的缺陷在使用摘要单独预测。即BP神经网络在训练样本的选择是主观的预测精度较差和可伸缩性。当解决问题与一个更大的规模和更多的功能,它不能得到更高的准确率。的主要解决方案是集成模型可以显著提高BP神经网络的泛化能力通过集成多个机器学习模型在一起( 33]。

 2.2。RF-BPNN-Based结合能源消费的预测模型

一个机器学习方法的预测结果是不准确的,为了利用优势以及克服单一模型的缺点,本文结合了随机森林(RF)和BP神经网络(摘要)一起获得RF-BPNN模型。事实上,合并后的模型是一个异构集成模型相结合和补充提供的分类信息通过集成多个单一模型思想和最后获得一个集成模型。因此,这两种组合模型的预测精度和泛化性能理论上可以进一步改善。RF-BPNN模式指的获得的组合模型加权组合射频模型和摘要模型各自的建筑能耗预测结果。BF-BPNN模型的适用范围和单一模型(射频模型,摘要模型)是相同的。

的流程图RF-BPNN结合建筑能耗预测模型如图 1。具体过程如下。

步骤1。

原始数据的预处理居住建筑能源消耗。数据预处理包括数据规范化和数据组分区

数据归一化。输入数据归一化是为了消除原始数据的维数。本文应用广泛使用标准差标准化方法。和正常化过程所示 (1) x ∗ = x − x ¯ σ 。

在方程( 1), x ∗ 指的是归一化的数据, x 表示原始数据, x ¯ 指的是数据的均值 σ 意味着数据的标准差。

数据集的分区。为了测试模型的泛化能力,数据集分为训练集和测试集的比例约为9:1。训练集用于估计模型,测试集是用来测试的性能模型

步骤2。

随机森林(RF)模型和BP神经网络(摘要)模型,分别用来预测住宅建筑能源消耗。

在住宅建筑能耗的预测随机森林。具体过程如下

确定决策树在随机森林的数量 N 。随机森林是许多决策树的集合

选择 n 引导方法和样本训练集的选择 k 在所有属性

选择最优分割属性。在回归问题,细分原则是误差平方的总和

建立决策树

保持迭代过程(2)-(3),直到所有随机森林的树木已经分裂。每个决策树将有一个测试集预测结果,预测结果的平均的决策树将被视为随机森林预测结果

住宅建筑能耗预测BP神经网络。BP神经网络通常是一个三层网络结构:输入层、隐藏层和输出层。BP神经网络的结构如图 2

在这个图中, x 1 , x 2 , ⋯ , x n 指能源消耗的输入样本数据集。 y 1 , y 2 指两个输出变量的热负荷能耗预测,分别。BP神经网络的具体步骤能耗预测如下。

确定BP神经网络的结构。BP神经网络的结构主要是指隐层神经元的数目

确定权重的连接 w 和阈值 b 。神经元,它存在于输入和隐含层和隐式和输出层,是完全连接,每个连接都有一个相应的重量 w 我 。此外,阈值 b 将符合数据更好

计算训练误差。如果训练之间的误差值和真正的价值不是一个合理的范围内,它必须返回到步骤(2),直到训练误差在合理范围内

输出最优权重矩阵训练后,将其应用于测试集,和输出预测结果

步骤3。

结合随机森林的预测结果和摘要能源消费中获得的一步 2获得最终的能源消费预测结果。考虑到住宅的特点是一个小区域,总量大,各种类型,单一机器学习模型不能有效预测住宅建筑的能源消耗。组合预测模型可以使用单一模型的优点,提高预测精度。不同的模型的预测结果组合的方法有很大区别。variance-covariance的优点(VC)组合方法解决了动态权重分配问题;即最优组合权重系数可以发现,因此,它能提高健壮性和模型的预测精度。

RF-BPNN能耗预测流程图。

BP神经网络的结构。

每个预测模型的方差计算由以下方程。 (2) δ 我 = 1 n e 1 − e ¯ 2 + e 2 − e ¯ 2 + ⋯ + e n − e ¯ 2 。

在方程( 2), n 表示训练样本的数量, e 1 , e 2 , ⋯ e n 代表每个训练样本的绝对误差百分率 e ¯ 指的是所有训练样本的平均绝对百分误差。

每个模型的动态权重计算如下。 (3) w 1 = 1 δ 1 ∗ 1 / δ 1 + 1 / δ 2 , (4) w 2 = 1 δ 2 ∗ 1 / δ 1 + 1 / δ 2 。

的能源消费预测结果组合模型是获得的权重相乘得到的从上面的方程与相应的能耗预测值然后求和值。 (5) p = w 1 ∗ p 1 + w 2 ∗ p 2 。

在方程( 5), p 表示能源消费组合模型的预测结果 p 1 , p 2 指的是能源消费两种单一模型的预测结果,分别。获得更好的适应性综合能耗预测结果,相应的权重动态调整通过不同的培训和测试结果。

 3所示。实证结果与分析

本节实验都实现一个统一的实验环境。在实验中,操作系统是Windows 7, CPU是英特尔的1.60 GHz和4 GB内存,编程工具是PyCharm 2018.2。

3.1。数据描述和统计分析

验证的有效性提出RF-BPNN住宅建筑能耗预测模型相结合,能效UCI数据集,一个机器学习的权威数据库,用于实验。能效数据集由768年的数据,8输入变量(X1-X8),2输出变量(日元,Y2)。具体的数据描述如表所示 2。更多信息在数据描述在文献[ 15]。

数据集的描述。

变量 属性名 缩写 可能值的数量 最低 最大 平均 中位数 标准偏差
X1 相对密实度 钢筋混凝土 12 0.62 1.00 0.76 0.76 0.10
X2 表面积 SA 12 2.00 808.50 670.83 661.50 91.28
X3 墙面积 佤邦 7 3.00 416.50 318.08 318.50 45.05
X4 屋顶面积 类风湿性关节炎 4 4.00 220.50 176.37 147.00 45.56
X5 总高度 哦 2 3.50 7.00 5.24 5.00 1.75
X6 取向 或 4 2.00 6.00 3.50 4.00 1.12
X7 玻璃面积 遗传算法 4 0.00 7.00 0.24 0.25 0.27
的混合体 玻璃面积分布 迦得 6 0.00 8.00 2.81 3.00 1.56
日元 热负荷 霍奇金淋巴瘤 583年 1.00 43.10 22.27 18.89 10.11
Y2 冷负荷 CL 636年 2.00 48.03 24.55 22.07 9.54

数据 3和 4分别代表HL的散点图和CL。从数据可以看出,HL和CL有相似的趋势和周期性。

热负荷(HL)。

冷负荷(CL)。

进一步探索每个输入属性之间的相关性的强度(X1-X8)和输出变量(日元和Y2住宅、皮尔森相关系数进行了测试,具体结果如表所示 3。从这些数据可以看出,输入功能X1(RC),X2(SA),X4(RA)X5(OH)与输出变量有很强的线性相关性日元(HL)和Y2(CL)。同时,他们中的一些人与两个输出特性高度相关。例如,之间的相关系数X1(RC)和X5(OH)是0.87,和之间的相关系数X2(SA)和X4(RA)也是0.87,这表明有多重共线性关系X1(RC)和X5(哦),以及X2(SA)和X4(RA),而之间的相关系数X4(RA)和X5(哦)为-0.94,这是因为屋顶面积计算需要计算的屋顶高度,所以他们表现出负相关的关系。此外,他们中的一些人没有一个明显的线性相关,如X6(或)和的混合体(迦得)。此外,输入特性之间的关系也复杂。例如,X1(RC)和X2(SA)的线性相关系数1,因为建筑的体积( V )是假定为常数,显示了它们之间的关系 (6) 钢筋混凝土 = V 2 / 3 ⋅ SA − 1 。

皮尔森相关系数。

X1 X2 X3 X4 X5 X6 X7 的混合体 日元 Y2
X1 1.00 -1.00 -0.26 -0.87 0.87 0.00 0.00 0.00 0.62 0.65
X2 -1.00 1.00 0.26 0.87 -0.87 0.00 0.00 0.00 -0.62 -0.65
X3 -0.26 0.26 1.00 -0.19 0.22 0.00 0.00 0.00 0.47 0.42
X4 -0.87 0.87 -0.19 1.00 -0.94 0.00 0.00 0.00 -0.80 -0.80
X5 0.87 -0.87 0.22 -0.94 1.00 0.00 0.00 0.00 0.86 0.86
X6 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.02
X7 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.19 0.32 0.29
的混合体 0.00 0.00 0.00 0.00 0.00 0.00 0.19 1.00 0.07 0.05
日元 0.62 -0.62 0.47 -0.80 0.86 0.00 0.32 0.07 1.00 0.97
Y2 0.65 -0.65 0.42 -0.80 0.86 0.02 0.29 0.05 0.97 1.00

它可以看到从方程( 6)的相对密实度的房子,房子的面积是负相关的。总之,住宅的输入属性之间的关系是非常复杂的,不能准确预测与简单线性模型;因此,更复杂的非线性模型,如神经网络、随机森林,和支持向量机,是必要的。

 3.2。参数设置

摘要的隐层节点的数量对实验结果有着至关重要的影响。有不同的问题需要解决,没有精确的方法来指导选择适当数量的隐层节点的摘要。因此,根据这项研究,一个典型的3 - layer BP神经网络,建立了8个输入属性作为输入单元和两个预测目标作为输出层神经元的数量,和方法来确定隐层节点的数目是指在文献[ 34用下面的方程。 (7) 米 = n + l + 一个 。

在方程( 7), n 是输入层神经单元, l 指的是输出层神经单元 一个 指的是0到20之间的任意常数。经过几次的实验,最后确定,通过20获得最好的结果。因此,摘要的拓扑是8-23-2。和其余的参数是由大量实验:最大培训号码是500,最小错误率的培训目标是0.0001,和训练速度是0.1。经过几次实验,当随机树的随机森林的数量设置为10,它预测的最佳结果。

为了防止过度拟合,10倍交叉验证法和平均100重复运行的结果作为最终结果。

 3.3。模型评估

为了准确地评估模型的预测性能,五个回归模型评估标准,平均绝对误差(MAE)、均方根偏差(RMSD),平均绝对百分误差(日军),相关系数( R )和协议(IA)指数。计算公式如下。

平均绝对误差(MAE): (8) 美 = 1 n ∑ 我 = 1 n y 我 − y ^ 我 。

均方根偏差(RMSD): (9) RMSE = 1 n ∑ 我 = 1 n y 我 − y ∧ 我 2 。

平均绝对误差百分比(日军): (10) 日军 = 1 n ∑ 我 = 1 n y 我 − y ^ 我 y 我 × One hundred. % 。

相关系数( R ): (11) R = ∑ 我 = 1 n y ^ 我 − y ¯ y 我 − y ¯ ∑ 我 = 1 n y ∧ 我 − y ¯ 2 ∑ 我 = 1 n y 我 − y ¯ 2 。

巧合指示器(IA): (12) IA = 1 − ∑ 我 = 1 n y ∧ 我 − y 我 2 ∑ 我 = 1 n y ∧ 我 − y ¯ + y 我 − y ¯ 2 。

在上述方程, n 是指在测试集样本的数量, y 我 指的是真正的价值, y ¯ 表示真实价值的平均值 y ^ 我 意味着预测价值。美,表示时,日军都表明预测和真实值之间的误差,所以价值越小,模型越好。 R 表示程度的预测值和真实值之间的相关性,和值越大,它们之间的相关性越强。此外,当 R = 1 ,这意味着预测的值是完全与真实值。即有一个线性关系,当生存能力是1。根据方程( 12),IA是消除变量的影响维度不同模型之间的比较,通常有一个值在0和1之间。几乎完美的模型,IA通常会接近1 ( 35, 36]。

 3.4。分析的结果

充分说明RF-BPNN组合模型的精度高于单一模型在预测建筑能源消耗,预测结果的相对精度的两个测试集(HL和CL)进行比较,结果如图 5和 6。

HL预测的相对误差曲线速度每个模型。

CL预测的相对误差曲线速度每个模型。

我们可以看到数据 5和 6单一模型射频和摘要的波动大于RF-BPNN相结合的模型,特别是在预测CL。VC组合方法用于解决动态权重分配问题,和这些模型获取RF-BPNN模型。单一模型的组合权重的射频和摘要是0.236和0.764,分别。和组合的结果获得更好的适应性训练结果动态调整相应的权重根据不同的训练结果。因此,RF-BPNN是最的波动性,这表明RF-BPNN更准确的预测结果与射频和摘要。

进一步比较该组合模型的预测精度RF-BPNN与单一模型射频和摘要,回归模型的性能评价方法中引入部分 3所示。3分别应用,结果见表 4最好的模型性能结果以粗体显示。

比较预测结果射频、摘要和RF-BPNN模型。

评估标准 射频 摘要利用 RF-BPNN
霍奇金淋巴瘤 美 0.3243 ± 0.0384 0.3451 ± 0.0475 0.3199 ± 0.0900
RMSE 0.4870 ± 0.0679 0.4799 ± 0.0685 0.4550 ± 0.0601
日军(%) 1.3971 ± 0.0019 1.6306 ± 0.0031 1.4591 ± 0.0023
R 0.9988 ± 0.0004 0.9989 ± 0.0004 0.9990 ± 0.0003
IA 0.9994 ± 0.0002 0.9994 ± 0.0004 0.9995 ± 0.0001
CL 美 0.9783 ± 0.1472 0.8101 ± 0.1309 0.7765 ± 0.1212
RMSE 1.6338 ± 0.2200 1.1911 ± 0.2092 1.1614 ± 0.1841
日军(%) 3.3800 ± 0.0042 3.2300 ± 0.0050 3.0000 ± 0.0043
R 0.9853 ± 0.0039 0.9919 ± 0.0003 0.9924 ± 0.0026
IA 0.9922 ± 0.0020 0.9958 ± 0.0016 0.9960 ± 0.0013

注:表中的结果代表的均值100重复运行的结果和标准偏差。

从表可以看出 4的预测结果error-MAE RMSE,摘要是糟糕的预测结果和RF-BPNN更好。的相关系数 R ,RF-BPNN获得最大的结果,表明RF-BPNN有最强的预测价值相关性的真正价值。最后,评价标准的IA, RF-BPNN也获得最大的价值,也更接近于1,表明该模型几乎是完美的,预测精度相对较高。的标准差100运行的结果,除了美和日军,RF-BPNN标准差最小,这表明该模型更稳定。总的来说,组合模型RF-BPNN更精确和稳定的预测结果比单一模型射频和摘要,这RF-BPNN的优点是更明显的特别是在CL的预测。

数据 7和 8代表的真实值的比较HL和CL每个模型的预测值,分别。图中的黑点显示摘要模型的预测值,绿色方块指射频的预测值,红色的三角形指组合RF-BPNN模型的预测值,黑色线条表示 y = x 。即越接近预测的值的 y = x 线,更准确的预测结果。

霍奇金淋巴瘤的真正价值的比较和预测价值。

CL的真实值和预测值的比较。

见图 7,几乎所有的点都是关闭的 y = x 直线,但RF-BPNN模型得到了最大 R 0.9990。RF-BPNN模型的优点是更明显的图 8,红色三角形几乎都聚集在 y = x 直线,这表明RF-BPNN模型具有最精确的预测结果。

此外,为了进一步验证RF-BPNN方法的有效性提出了本文实验结果本文与现有模型的结果进行比较。因为现有的模型的结果是不公开的,结果从原始文献引用。和的结果比较如表所示 5和最好的模型性能以粗体显示。

RF-BPNN与现有模型的比较结果。

方法 美 RMSE 日军(%)
霍奇金淋巴瘤 irl [ 15] 2.1400 3.1400 10.0900
SVR [ 16] 0.4320 0.6100 - - - - - -
购物车( 16] 0.4370 0.8000 - - - - - -
ANN-SVR [ 7] 0.3000 0.4280 1.5570
HYBRID-LIN [ 6] 0.5100 0.7874 0.4700
然而, 1.9529 2.3329 8.4504
RF-BPNN 0.3199 0.4550 1.4591
CL irl [ 15] 2.2100 3.3900 8.4100
SVR [ 16] 0.8900 1.6470 - - - - - -
购物车( 16] 1.1570 1.8410 - - - - - -
ANN-SVR [ 7] 0.973 1.5660 3.4550
HYBRID-LIN [ 6] 1.1800 2.0372 3.3300
然而, 1.8193 2.2651 7.1413
RF-BPNN 0.7765 1.1614 3.0000

我们可以看到在桌子上 5HL预测而言,SVR + ANN模型的预测结果提出了在文献[ 7)最小的美和RMSE值0.3000和0.4280,分别,但评估标准美和后勤RF-BPNN模型获得的0.3199和0.4550,分别是谁的数值差距很小的SVR +安。梅和RMSE获得的其他方法的结果有很大的不同从SVR +安,尤其是irl(迭代再加权最小二乘法)方法在文献[ 15)取得很差的结果,这也进一步表明,常见的回归方法不适用的预测建筑物能源HL和CL。日军的指标,HYBRID-LIN方法在文献[ 6预测更准确的结果。美、RMSE和日军CL预测结果,RF-BPNN获得最小的值。总的来说,RF-BPNN有更高的预测精度比现有的模型。

 4所示。结论

最近,为了有效地遏制全球变暖,中国节能减排提出了新的要求。建筑能源消耗、气候变化的主要原因,正面临巨大的挑战。因此,它是非常重要的建筑能耗预测准确。为此,本文预测不同住宅的供热和制冷能耗的节能数据集UCI数据库提出了RF-BPNN组合模型。10倍交叉验证方法应用于防止过度拟合,和平均100模型运行的结果作为最终的预测结果,消除随机数据选择的影响在模型的泛化能力。五个模型评价指标包括平均绝对误差、均方根误差、平均绝对百分比误差,相关系数,巧合指数应用于验证RF-BPNN组合模型的性能。RF-BPNN结合模型实验结果表明,本文提出可以准确预测的HL和CL居住建筑能耗与单一射频和摘要模型的预测结果。此外,RF-BPNN的优点组合模型的预测结果进行了比较,进一步说明与现有模型(表 5)。它证明了RF-BPNN组合模型很容易应用和在建筑能耗有很大价值。

 数据可用性

本文使用来自UCI的统计数据。可以从下载的数据 http://archive.ics.uci.edu/ml/datasets/Energy +效率。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项工作是支持的部分普通基金中国国家自然科学基金(71871086)。

 高 j . X。 任 H。 蔡 w·G。 马 x R。 唐 m . H。 研究的“稀释效应”在中国居住建筑单位面积能耗 系统工程理论与实践 2019年 39 3 569年 577年 联合国环境规划署SBCI 建筑和气候变化:总结决策者 2009年 巴黎 联合国环境计划署 余 Z。 Haghighat F。 冯 b . C。 吉野 H。 决策树方法建立能源需求建模 能源和建筑 2010年 42 10 1637年 1646年 10.1016 / j.enbuild.2010.04.006 2 - s2.0 - 77955585423 蔡 w·G。 吴 Y。 钟 Y。 任 H。 中国建筑能耗:情况、挑战和相应的措施 能源政策 2009年 37 6 2054年 2059年 王 Y。 张 l . P。 仿真分析优化激励政策在绿色房地产市场——西安的案例研究 系统工程 2018年 36 5 37 46 卡斯泰利 M。 特鲁希略 l Vanneschi l Popovič 一个。 住宅建筑的能源性能的预测:遗传规划方法 能源和建筑 2015年 102年 67年 74年 10.1016 / j.enbuild.2015.05.013 2 - s2.0 - 84930940486 周 j·S。 中方通过 d·K。 加热和冷却负荷建模的人工智能建筑节能设计 能源和建筑 2014年 82年 437年 446年 Evcil 一个。 住宅空间加热能源需求的估计在塞浦路斯使用区域平均比热损耗系数 能源和建筑 2012年 55 164年 173年 10.1016 / j.enbuild.2012.08.014 2 - s2.0 - 84870597519 古 C。 公园 年代。 在香港 T。 公园 h·S。 一个估计模型的加热和冷却的需求居住建筑有不同的信封设计使用有限元方法 应用能源 2014年 115年 205年 215年 李 X。 姚 R。 余 W。 孟 X。 刘 M。 短 一个。 李 B。 低碳城市住宅的加热和冷却在炎热的夏季和寒冷的冬天区——一个自底向上的工程股票建模方法 《清洁生产 2019年 220年 271年 288年 10.1016 / j.jclepro.2019.02.023 2 - s2.0 - 85062266576 Simson R。 Kurnitski J。 Kuusk K。 实验验证仿真和计量过热的住宅的评估方法 建筑科学评论 2017年 60 3 192年 204年 Yezioro 一个。 越南盾 B。 雷特 F。 应用人工智能的方法对评估建筑性能模拟工具 能源和建筑 2008年 40 4 612年 620年 Turhan C。 Kazanasmaz T。 Uygun 即。 Ekmen k . E。 Akkurt G·G。 建筑物能源性能的比较研究软件(KEP-IYTE-ESS)和ANN-based建筑热负荷估算 能源和建筑 2014年 85年 115年 125年 魏 Y。 夏 l 锅 年代。 吴 J。 张 X。 汉 M。 张 W。 谢 J。 李 Q。 预测入住率水平和能源消费的办公楼使用盲系统辨识和神经网络 应用能源 2019年 240年 276年 294年 Athanasios T。 Angeliki X。 准确的定量估计的能源住宅使用统计机器学习工具的性能 能源和建筑 2012年 49 560年 567年 库马尔 年代。 朋友 美国K。 辛格 r P。 内部榆树变体合奏建立模型来预测住宅建筑的能效 可持续能源、网格和网络 2018年 16 177年 187年 杨 j·F。 乔 p R。 李 y . M。 王 N。 对机器学习分类算法 统计与决策 2019年 6 36 40 李 J。 徐 L . L。 比较和研究趋势的分析预测模型基于机器学习algorithm-BP神经网络,支持向量机和LSTM模型 《现代信息 2019年 39 4 24 34 丁 j . M。 刘 g . Q。 李 H。 应用改进的随机森林的电信客户流失预测 模式识别和人工智能 2015年 28 11 1041年 1049年 妞妞 D。 梁 Y。 王 H。 王 M。 在香港 w . C。 结冰预测输电线路的改进的反向传播神经网络支持向量machine-extreme学习机器与内核(BPNN-SVM-KELM)基于variance-covariance重量测定方法 能量 2017年 10 8 1196年 1217年 10.3390 / en10081196 2 - s2.0 - 85044358938 陆 h·L。 应用程序组合加权算术平均算子的交付产品销售预测的物质资源 黑龙江大学自然科学杂志》上 2016年 29日 1 22 28 汉 W。 王 J。 张 x H。 应用研究组合预测基于诱导有序加权平均算子 管理科学与工程 2014年 8 23 26 张 H。 朱 y . J。 方ydF4y2Ba L . L。 吴 问:L。 基于马尔可夫修改国家中长期负荷预测区间 华东电力 2013年 41 1 33 36 方 X。 温 Z。 陈 J。 吴 年代。 黄 Y。 马 M。 的悬浮泥沙浓度遥感估算基于随机森林回归模型 《遥感 2019年 23 4 756年 772年 吴 w·J。 京 P。 贾 h·F。 张 m . H。 低碳旅游目的数据挖掘居民基于k - means聚类和随机森林算法 华南理工大学学报(自然科学版) 2019年 47 7 105年 111年 赖 c . Y。 郭 y Q。 余 h·F。 燃油计量单元性能检测和基于FR-SVR剩余使用寿命的评估方法 《航天实力 2019年 34 7 1624年 1632年 王 z Y。 倪 Y。 张 J。 专利价值评估方法研究网络平台基于灰色关联分析和随机森林回归 信息研究:理论与应用 2019年 42 10 109年 116年 Breiman l 随机森林 机器学习 2001年 45 1 5 32 10.1023 /:1010933404324 2 - s2.0 - 0035478854 Tsanas 一个。 小 m·A。 创造 p E。 Ramig l . O。 非线性语音分析算法映射到一个标准的指标实现临床有用的平均帕金森病症状严重程度的量化 《英国皇家学会界面 2011年 8 59 842年 855年 张 T。 郝 x L。 张 y . J。 张 y . H。 一个基于BP-AsymBoost医学诊断模型的算法 系统工程理论与实践 2017年 37 6 1654年 1664年 李 年代。 刘 l . J。 翟 M。 短期交通流预测算法优化BP神经网络基础上修改 系统工程理论与实践 2012年 32 9 2045年 2049年 刘 Y。 余 M。 刘 Y。 评价模型基于乘客的公交路线服务质量感知 东北大学学报(自然科学) 2019年 40 5 145年 150年 Srimani p K。 哥弟Koti m . S。 医学诊断使用合奏classifiers-a新颖的机器学习方法 《先进的计算 2013年 1 9 27 京ydF4y2Ba J。 朱 l 李 z H。 通 x H。 杨 c·W。 应用变结构风险评估的摘要海外铁路建设在目标国家 中国铁道学会杂志》上 2018年 40 12 11 16 周 Q。 江 H。 王 J。 周 J。 点的混合模型2。5预测基于集成经验模态分解和广义回归神经网络 科学的环境 2014年 496年 264年 274年 10.1016 / j.scitotenv.2014.07.051 2 - s2.0 - 84905443514 朱 年代。 梁ydF4y2Ba X。 魏 l 切 J。 沈 X。 杨 l 邱 X。 刘 X。 高 W。 任 X。 李 J。 点2。5预测使用与PSOGSA SVR算法基于CEEMD, GRNN和GCA考虑气象因素 大气环境 2018年 183年 5 20. 32 10.1016 / j.atmosenv.2018.04.004 2 - s2.0 - 85045378706