基于多元线性回归模型的建筑能耗预测与建筑节能分析

针对城市建筑能耗的节约与有效利用,提出一种基于多元线性回归模型(MLRP)的建筑能耗预测与建筑节能分析模型.以天然气和电力为能耗目标,将建筑类型、建筑年代、占地面积和居住人数等参数作为输入特征,利用多元线性回归模型分析出对能耗具有显著性影响的因素,并预测整个区域的能耗.另外,通过该预测模型,可以评估实施改善措施后建筑的节能潜力.实验给出了各种场景下的建筑节能潜力,分析结果表明,提出的预测模型能够精确预测区域能耗.     

基于受限玻尔兹曼机的个体行为预测模型的研究

个体行为预测能够有效地帮助用户预测最适合自己的运动行为,但在早期的研究中,往往只考虑了个人的历史行为因素和社会相关因素,忽略了用户多样性、动态行为以及隐藏的社会影响,这使目前的个体行为预测问题更加具有挑战性。本文提出了社会受限玻尔兹曼机(Social restricted Boltzmann machine,StRBM)作为一种新的预测模型,该方法将社会影响区分为显性社会影响和隐性社会影响的同时,将时间影响加到了显性社会影响权重上。使用YesiWell数据集以及合成数据集进行了对比实验,验证所提出方法的准确性,证明了提出的StRBM模型比其他基本模型具有更高的预测精度。     

一种基于主成分分析的时间序列趋势预测方法

在分析现有时间序列预测方法的基础上,提出了一种利用主成分分析实现时间序列趋势预测的方法.算例表明,该方法能够具有一定的适用性.     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

基于(2D)~2PCA的受限玻尔兹曼机图像分类算法及其并行化实现

为解决受限玻尔兹曼机(restricted Boltzman machine,RBM)理论对高分辨率图像分类的时间复杂度高的问题,提出了一种基于双向二维主成分分析(two-way 2-dimension principal component analysis,(2D)~2PCA)的RBM图像分类算法.该算法首先应用(2D)~2PCA对待处理图像在X和Z两个方向上进行降维处理,从而提取出图像的主成分,将主成分作为RBM网络可见层的输入数据,应用对比散度算法训练构建玻尔兹曼机网络,达到对图像进行分类的目的.该算法有效解决了RBM处理高分辨率图像时网络训练速度慢,甚至整个网络训练状态无法收敛的问题.通过在Hadoop并行数据处理平台的实验表明:该算法不仅能有效提高处理高分辨率图像的速度,而且具备良好的并行性,在具有4台处理机的并行集群下,其加速比达到了3.13.     

基于分层有限状态机的时间序列数据挖掘与预测方法

针对非平稳非线性时间序列的数据挖掘与预测问题,提出一种基于分层有限状态机的预测方法 .首先,将时间序列构建成有限状态机(FSM)模型,将时间序列的相对序列模式作为状态.然后,构建一种层次模型,通过关联特定模式形成中间状态,并以递归方式对模式进行分组,以此解决长序列造成的过度训练问题.最后,通过梯度下降法结合所有有限状态(FS)预测器的输出,生成最终预测结果 .实验结果表明,该方法能够对时间序列进行有效的规则挖掘,具有较高的预测精度.     

基于ConvLSTM的移动边缘计算服务器能耗模型

针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆（convolutional long short-term memory, ConvLSTM）神经网络,提出了用于移动边缘计算的服务器智能能耗模型（intelligence server energy consumption model,IECM）,用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。     

基于小波支持向量机的金融预测

基于小波分析与支持向量核函数理论构造了一个小波支持向量机(WSVM),用以预测金融时间序列的波动率.与采用高斯核的标准支持向量机相比,由于小波核结合了小波分析的多分辨特性,因此可以更好地逼近任意非线性函数.仿真实验表明,小波支持向量机在股指收益波动率预测中具有较好性能.     

基于相似日的神经网络短期负荷预测方法

对于受不确定因素影响的短期电力负荷,提出了一种基于相似日的神经网络预测方法。设计了一个规范化的相关因素映射数据表,应用聚类分析方法描述由于相关因素的不同而导致的待预测日与历史日之间的差异程度,选用日特征量相同或相近的历史负荷数据作为神经网络的输入元素进行预测。用该方法选取相似日可以较多的考虑各种因素,因此,具有较高的预测精度。     

基于滑动窗口的时间序列数据流分析与预测技术研究

数据流管理与分析的研究是目前国际数据库领域的一个研究热点,数据流上回归分析是一项非常必要而有意义的工作.结合数据流的特征,研究了时间序列数据流的回归分析与预测技术,以及一元线性回归方程的聚集技术,给出了时间序列数据流上的一元线性回归分析模型.在此基础上,提出了一种数据流上的预测模型.最后,试验分析展示了研究结果能够有效地产生时间序列数据流的回归模型和实现数据流未来数据的预测.     

一种新的晶化过程电特性预测方法

金属玻璃具有许多独特性能,有着广泛的应用前景,晶化过程对金属玻璃的特性有重要影响.因此提出了一种基于小波变换和AR-ILSSVM金属玻璃晶化过程电特性预测方法.首先利用小波变换将时间序列分解为高频序列和低频序列,利用AR模型预测高频序列,利用ILSSVM方法预测低频序列,预测结果为上述预测的合成.仿真试验表明,这种方法可显著提高时间序列的预测精度.     

通过序列编码预测蛋白质相互作用

该文利用蛋白质的一级结构信息,将支持向量机应用于人的蛋白质相互作用预测中,采用三肽频数方法刻画 蛋白质序列. 计算结果表明,该方法能准确预测人的蛋白质相互作用. 比较了半胱氨酸在不同分类下对预测结果的影响, 对人的胚胎肝脏蛋白质相互作用网络进行预测,为实验提供了重要的信息.     

建筑电气节能措施探讨

我国建筑能耗的总最逐年上升,在能源消费总最中所占的比例已从上世纪70年代未的10%,上升到近年的27.8%.可见.建筑能耗已成为危及社会可持续发展的一个重大问题,建筑节能已是当前一项极为紧迫的任务.电气能耗是建筑能耗的主要构成之一,控制建筑电气能耗和有效提高能源利用效率是建筑节能的重要因素.     

公共建筑的节能设计

建筑节能是建筑技术发展的一个方向.世界平均建筑能耗占总能耗的37%,其中包括采暖、通风、空调、照明在内的民用能耗又占总能耗的80%以上.因此,世界范围内的能源问题日益急迫、建筑能耗日益增长的今天,节能的意义十分重大.在本文中,笔者结合近期完成二栋高层公共建筑的施工图设计,对公共建筑节能设计进行探讨.     

中央空调冷热源设备的节能与选择

随着我国城市建设的发展,各类现代化建筑不断增多,在这些建筑中广泛采用中央空调系统为人们提供一个舒适的环境.而空调系统不仅占有较大的投资份额,同时也是建筑耗能大户.有关统计资料表明,其空调能耗约占建筑能耗的50%～60%,约占总能耗的15%～25%.空调能耗由三部分组成:冷热源设备能耗、末端设备能耗和辅助设备能耗.其中冷热源设备能耗约占空调能耗的50%～60%.可见,合理设计和选择中央空调系统的冷热源对节能与能源的合理利用意义重大.     

浅议建筑节能技术

<正> 一、前言建筑能耗指建筑使用能耗,其中包括建筑采暖、空调、热水供应、炊事、照明等方面的能耗。在目前生活水平较低的情况下,1995年我国建筑能耗达4亿吨标准煤以上。随着生活水平的提高,我国建筑能耗将更加突出。一是"九五"     

水电站入库流量的灰色自记忆预测方法研究

运用灰色系统理论与数据序列自记忆性原理相结合的方法,提出了数据序列预测的灰色自记忆模型,并应用于年径流量及汛期来水预测.山西沁河曹河水电站年径流及汛期径流预测的实例表明,该模型能处理非平稳数据序列并反映动态数据序列的极值趋势,可提高预测精度.     

大型公共建筑能耗数据集成技术

针对大型公共建筑能耗数据集成的问题,讨论构建建筑能耗监测系统平台涉及的关键集成技术.首先提出了建筑能耗监测系统的集成框架,然后讨论了能耗数据集成自下而上各个重要环节涉及的实现技术,并应用这些技术实现了某城市能耗监测平台的建设.     

小波变换和时间序列模型相结合的降雨量预测

针对降雨量预测问题大多采用时间序列分析的方法,但是对于准确预测降雨量和降雨变化规律,提高降雨量的预测精度等问题,如果仅采用时间序列的方法误差相对来说比较大.提出一种小波变换和时间序列预测模型(ARMA)相结合的降雨量预测方法.在预测过程中,对降雨量进行归一化处理,利用小波变换对原始降雨量进行降噪,降低其预测中的误差,采用正确的时间序列模型对降噪后的降雨量进行分析,建立最优降雨量预测模型.对实际降雨量进行仿真测试,结果表明,改进的方法预测精度比传统方法要高,且能更好地反映降雨量变化规律,为降雨量的预测提供了一种新的途径.     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.