基于稀疏自编码特征提取的建筑逐时耗热量预测模型的性能提升

作者：袁大昌; 史艳霞; 高俊楠

来源：建筑科学, 2020, 36(08): 1-49.

DOI：10.13614/j.cnki.11-1962/tu.2020.08.01

• 特征提取
• 稀疏自编码
• 耗热量预测
• 支持向量机
• 机器学习

预测模型的输入特征变量对建筑耗热量预测性能具有较大的影响,为了进一步改进输入特征变量的选取,本文提出了稀疏自编码(SAE)方法对历史耗热量数据进行特征提取,并通过对比常规的线性化特征提取方法(主成分分析,PCA),分析了SAE特征提取方法分别对MLR、ANN和SVM预测模型精度的提升。应用某居住建筑实测数据对该方法进行了实验验证,结果表明:在测试数据集中,使用SAE方法提取到的特征值作为模型输入变量,MLR、ANN和SVM3个模型的预测性能均得到提升,相比于利用PCA特征提取的方法,CV值分别降低了3.8%、4.1%和4.2%。此外,SAE方法对模型性能的提升还表现在模型泛化性能地增强,在测试样本中的表现优于在训练样本中的表现。

• 单位
  天津大学城市规划设计研究院; 天津大学; 天津中德应用技术大学