[1]李继伟,冯国会,徐丽.建筑能耗预测的机器学习回归模型研究[J].沈阳建筑大学学报(自科版),2021,(6):1098-1106.[doi:10.11717/j.issn:2095-1922.2021.06.17]
点击复制

建筑能耗预测的机器学习回归模型研究()
分享到：

《沈阳建筑大学学报(自科版)》[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2021年第6期
页码:
1098-1106
栏目:
土木工程
出版日期:
2021-11-30

文章信息/Info

作者:
李继伟; 冯国会; 徐丽
关键词:
建筑能耗; 机器学习; 回归模型; 集成学习; 性能评价指标
DOI:
10.11717/j.issn:2095-1922.2021.06.17
摘要:
目的 使用回归模型对建筑样本进行机器学习训练，筛选出适用于预测建筑能耗的模型。方法 以香港地区1 923个商用建筑作为研究对象，通过网络信息收集的方式获取建筑的物理参数、使用参数以及环境参数，采用PCA算法对高维度数据进行降维处理，并对相关数据进行了归一化处理；选取13种常见的机器学习回归模型作为建筑能耗预测模型，采用平均绝对误差MAE、绝对中位差MAD和决定系数R2作为模型性能评价指标，采用StratifiedKFold分层采样法对总样本进行划分，并对划分后样本进行机器学习训练。结果 Bagging、XGBoost、Random Forest、Extra Trees集成学习回归模型对建筑能耗预测的准确性远优于其他9种模型，其中XGBoost有最小的MAE（6.47）和MAD（2.95），Random Forest有最大的R2（0.97）。结论 5种集成学习回归模型中除了分类算法外，Bagging、XGBoost、Random Forest、Extra Trees 4种模型对建筑能耗预测较优。XGBoost对数据较为完整的建筑能耗预测准确度最高，Extra Trees对于数据缺失严重的建筑预测准确度优于XGBoost。

相似文献/References:

[1]孟庆成 万达 吴浩杰 李明健 齐欣.基于卷积神经网络的混凝土裂缝图像识别方法[J].沈阳建筑大学学报(自科版),2021,(5):832.[doi:10.11717/j.issn:2095-1922.2021.05.08]
[2]王秋实,董玉宽,梁志鹏,等.不同社区生活圈范围的绿色环境暴露水平与房价的空间分布关系研究[J].沈阳建筑大学学报(自科版),2022,(4):706.[doi:10.11717/j.issn:2095-1922.2022.04.16]

更新日期/Last Update: 2021-12-13