[发明专利]基于最小角回归和梯度提升模型的建筑能耗预测方法

权利要求书

1.基于最小角回归和梯度提升模型的建筑能耗预测方法，其特征在于，主要包括如下步骤：

步骤S1：获取待预测建筑的建筑能耗值的历史样本数据，并将其作为原始输入向量集；

步骤S2：对原始输入向量集进行归一化处理；

步骤S3：通过最小角回归算法对原始输入向量集中的高维输入向量进行降维，提取原始输入向量集中的主要特征；

步骤S4：采用分层交叉验证方法将S3得到的降维后的输入向量集进行训练集与测试集的分割，然后采用梯度提升回归模型对训练集进行训练，得到建筑能耗预测模型；

步骤S5：获取待预测建筑的建筑能耗值的实时样本数据，并经过步骤S2与步骤S3处理后，输入经过步骤S4得到的建筑能耗预测模型，得到建筑能耗的预测值；

步骤S6:采用均方误差、平均绝对百分比误差、拟合度和建筑能耗预测模型的运行时间作为建筑能耗预测模型的评估指标，其中，均方误差、平均绝对百分比误差越小表示预测效果越佳，拟合度越接近1表明预测值与真实能耗值越接近，在保证准确率的情况下，建筑能耗预测模型的运行时间越少表明其性能越好。

2.如权利要求1所述的基于最小角回归和梯度提升模型的建筑能耗预测方法，其特征在于：所述步骤S2的具体方法如下：

对原始输入集进行归一化处理，即采用Max-Min标准化方法对原始输入集中的原数据进行线性变换，将原始输入集中的所有原数据归到[0，1]区间内，从而消除不同量纲对预测结果带来的影响，其中，线性变换公式如下：

式中，x为原始输入集中原数据，x_min为原数据x所在列的最小值，x_max为原数据x所在列的最大值，x′为原数据x经Max-Min标准化后的值。

3.如权利要求1所述的基于最小角回归和梯度提升模型的建筑能耗预测方法，其特征在于：所述步骤S3的具体方法如下：

设定所述最小角回归算法的待优化函数为：

上式中，x_ij为建筑能耗值的第i个历史样本的第j个自变量，其中，第i个历史样本表示为(x_i1，x_i2x_i3......x_ip)，y_i为第i个历史样本对应的因变量的真实值，β_j为变量x_ij的系数，表示待优化函数沿着最小二乘解的方向进行，表示最小角回归算法中某一迭代步骤中所有变量x_ijβ_j的向量和，即最小回归算法中的预测值，t为约束值；

待优化函数的目标为使得待优化函数的值达到最小，其沿着最小二乘解的方向前进，寻找与当前残差相关性最大的变量，每前进一步便更新所有变量的系数β_j，当约束值t较小时，会将相关性较小的变量系数压缩为0并将此变量滤掉，而将系数不为0的变量作为最小角回归算法选出的变量，通过调节约束值t对输入变量进行选择，从而实现对输入向量的降维。

4.如权利要求1所述的基于最小角回归和梯度提升模型的建筑能耗预测方法，其特征在于：步骤S4中，训练集和测试集分割的方法为：

首先，将降维后的输入向量集划分为k份，在划分的k份中，每一份样本内各类别数据的比例和原始输入向量集中各类别的比例相同，其中的k-1份作为训练集，剩下的一份作为测试集。

5.如权利要求4所述的基于最小角回归和梯度提升模型的建筑能耗预测方法，其特征在于：步骤S4中，对降维后的输入向量集进行训练的具体方法如下：

步骤S41：使用常量初始化建筑能耗预测模型，得到初始化的建筑能耗预测模型；

步骤S42：对初始化的建筑能耗预测模型通过弱学习器进行迭代训练，得到经过m轮迭代训练得到的强学习器；

步骤S43：输出经过M次迭代得到的强学习器F_M(x)，所述F_M(x)即为建筑能耗预测模型。