[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(
)
《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]
更新日期/Last Update:
2021-12-13