[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

说明书

本发明提出的基于最小角回归和梯度提升模型的建筑能耗预测方法，包括如下步骤：选取建筑能耗的相关影响因素作为模型的原始输入向量集，将建筑能耗作为模型的输出量，获得模型训练所需的数据集；对数据集进行预处理；利用最小角回归方法对高维的原始输入向量进行降维；将降维结果作为梯度提升模型的输入向量进行迭代训练，得到建筑能耗预测模型；利用得到的最小角回归和梯度提升模型对建筑能耗进行预测。本发明采用的基于最小角回归和梯度提升模型的建筑能耗预测方法，可以降低输入向量维数，提高建筑能耗的预测精度，对建筑能耗实现快速有效的预测。

技术领域

本发明涉及建筑能耗预测领域，具体来说是基于最小角回归和梯度提升模型的建筑能耗预测方法

背景技术

建筑能耗是占比较大的一类能耗，随着经济的快速发展，建筑规模逐渐扩大，建筑能耗也急剧增加，由此导致的气候变暖等生态环境的挑战迫使人们必须平衡发展和生态间的尖锐矛盾。本发明提出的基于最小角回归和梯度提升模型的建筑能耗预测方法，从建筑能耗历史数据中挖掘出影响因子与建筑能耗的内在映射关系，可以快速准确的获取到建筑能耗的预测值，对于降低建筑能耗具有重要的意义。

发明内容

本发明提出的基于最小角回归和梯度提升模型的建筑能耗预测方法，可有效解决输入变量间的共线性问题，滤除冗余变量，减少模型工作量，提高能耗预测的准确率。

本发明提出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，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。

在本发明的实施例中，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。

在本发明的实施例中，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：