[发明专利]酒店空调能耗预测方法

权利要求书

1.酒店空调能耗预测方法，其特征在于，包括：

步骤(1)、根据相应酒店数据建立数据集合，并将数据集合划分为训练集、验证集、测试集；

步骤(2)、依据训练集、验证集、测试集，并设定相应时间数据进行整体训练，获得整体训练流程；

步骤(3)、采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型；

步骤(4)、基于融合模型，输入任意时段相应酒店数据，即可预测得到相应时段的酒店空调能耗预测值。

2.根据权利要求1所述的酒店空调能耗预测方法，其特征在于，在步骤(1)中，所述酒店数据包括：酒店历史能耗数据、酒店经营数据以及酒店环境数据。

3.根据权利要求2所述的酒店空调能耗预测方法，其特征在于，在步骤(2)中，所述获得整体训练流程的具体实施方式包括：依据训练集、验证集、测试集，以酒店经营数据、酒店环境数据为输入参数，酒店历史能耗数据为输出参数，并设定相应时间数据进行整体训练，获得整体训练流程。

4.根据权利要求1所述的酒店空调能耗预测方法，其特征在于，在步骤(4)中，所述酒店数据包括：酒店室外温度，酒店室内温度，酒店入住人数。

5.根据权利要求4所述的酒店空调能耗预测方法，其特征在于，所述酒店室外温度与酒店室内温度通过Lora本地组网采集得到。

6.根据权利要求5所述的酒店空调能耗预测方法，其特征在于，所述通过Lora本地组网采集得到包括：特定区域和时间范围内的每个温度传感器的测量值作为对应的递归神经网络的输入，多个递归神经网络输出作为WNN神经网络的输入，WNN神经网络的输出为区间数RBF神经网络的输入，最后，区间数RBF神经网络的输出作为温度采集模块的最终输出。

7.根据权利要求1所述的酒店空调能耗预测方法，其特征在于，在步骤(2)中，所述整体训练流程包括：

A、将数据集打乱并按照相应比例分割，然后加入训练集；

B、将训练集载入模型开始训练；

C、在训练过程中使用验证集检查训练过程是否发生过拟合，若是，则进入步骤D，否则回到步骤B；

D、判断是否满意验证集的正确率，若是，则进入步骤E，否则换一个模型并回到步骤B；

E、判断是否满意测试集的正确率，若是，则训练成功并获得该训练流程，否则回到步骤A。

8.根据权利要求7所述的酒店空调能耗预测方法，其特征在于，在步骤B或D中，所述模型为BP神经网络或卷积神经网络或循环神经网络或深度神经网络。

9.根据权利要求1所述的酒店空调能耗预测方法，其特征在于，在步骤(3)中，所述采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型包括：

31、在样本训练集中使用权重1训练出弱学习器1；

32、根据弱学习器1的学习误差率表现来更新权重1对应的权重系数a1，使得导致弱学习器1学习误差率高的样本训练点的权重变高；

33、使用更新后的权重系数a1更新权重2，并在样本训练集中使用权重2训练出弱学习器2；

34、根据弱学习器2的学习误差率表现来更新权重2对应的权重系数a2，使得导致弱学习器2学习误差率高的样本训练点的权重变高；

35、循环上述步骤，直到弱学习器的数量达到事先设定的数量T；

36、将T个弱学习器通过加权平均融合策略进行整合，得到最终的强学习器，即最终融合模型。