办公建筑用户在室行为预测方法技术

本发明专利技术公开了一种办公建筑用户在室行为预测方法，包括采集用户在室行为相关数据并建立数据库；对数据库进行关联规则挖掘，确定对用户在室行为的显著影响因素；针对不同用户类型，采用聚类分析方法根据显著影响因素对用户进行聚类，得到用户的分类数据集；对聚类后的每一个用户分类数据集，分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。本发明专利技术提高了在室行为预测的准确性，而且不仅能够反映了用户在室行为随机性，且可针对每一时刻的用户在室行为进行动态预测；本发明专利技术还可提供大量在室行为有用信息并反馈给用户，进一步实现建筑节能；此外，本发明专利技术方法还克服了已有的预测方法无法同时具备随机性、动态性和准确性的不足。

【技术实现步骤摘要】

本专利技术属于建筑节能
，具体涉及一种办公建筑用户在室行为预测方法。
技术介绍
随着经济的迅速发展和人们生活水平的提高，中国建筑能耗逐年上升，其中办公建筑能耗在总建筑能耗中占了很大的比例，是建筑能源消耗的高密度领域。所以，近年来建筑节能尤其是办公建筑节能受到越来越多的关注和重视.为实现办公建筑优化设计、高效运行及节能改造，一个重要的途径是使用建筑能耗模拟软件对办公建筑能耗进行模拟，目前常用软件包括DOE-2、EnergyPlus、TRANSYS和DeST等。使用这些软件在对实际办公建筑能耗进行模拟时，模拟值与实测值之间往往存在很大差距，已有文献显示其差距最高可达200％，严重阻碍了进一步提高办公建筑性能和减少办公建筑能耗。这主要是由于在能耗预测过程中，现有软件对用户在室行为(包括用户是否在室、在室人数和时间等)的设定是静态固定的，且对不同用户采用相同的在室行为设定，例如模拟软件中通常设定办公建筑中每个用户在室时间均为早上八点到下午五点，而实际上用户在室行为受众多因素影响，具有时间和空间上的随机性，往往是动态变化的，且不同用户在室行为具有不同的特点。因此建立可准确预测用户在室行为的方法并耦合进能耗模拟软件是提高办公建筑能耗模拟精度并进一步实现节能的关键。针对用户在室行为的预测，目前已基于不同的数学方法开发出数种方法，这些方法主要包括统计分析方法、决策树方法、马尔科夫链方法以及基于代理模型(Agent-basedmodel，ABM)方法。上述方法在建模时各有优点，例如统计分析方法使用简单且可部分反映不同影响因素对在室行为的影响；决策树方法可对大量历史数据进行自动分析并提取出有用信息；马尔科夫链方法可对在室行为进行动态预测且对行为随机性进行了一定的考虑；ABM方法可体现不同用户之间的相互影响并对在室行为的不确定性进行了一定考虑。但是上述方法也存在显著局限，主要体现在：统计分析方法与决策树方法只能对用户在室行为进行静态模拟且无法体现用户在室行为随机性，所得到的预测结果仍然是静态固定结果，无法体现用户在室行为动态随机特征；马尔科夫链方法主要是通过假设用户某时刻在室行为仅与上一时刻在室行为相关进行预测，这与现实生活中用户在室行为受不同因素影响的事实不符，因此降低了预测精度；ABM方法主要根据IF-THEN规则反映用户对自身行为的调整，目前仍主要应用于适应性行为如开窗行为等，尚难以准确预测用户在室行为。上述已有的预测方法均无法同时具备随机性、动态性、准确性，难以满足与建筑能耗模拟软件耦合以显著提高模拟精度的需求。
技术实现思路
本专利技术的目的在于提供一种能够实现动态预测，而且预测精度高，适用性高的办公建筑用户在室行为预测方法。本专利技术提供的这种办公建筑用户在室行为预测方法，包括如下步骤：S1.采集用户在室行为相关数据并建立数据库；S2.对步骤S1得到的数据库进行关联规则挖掘，确定对用户在室行为的显著影响因素；S3.针对不同用户类型，根据步骤S2得到的显著影响因素，采用聚类分析方法对用户进行聚类，从而得到用户的分类数据集；S4.对步骤S3得到的聚类后的每一个用户分类数据集，分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。步骤S1所述的数据包括建筑数据(如建筑朝向、面积、房间数及房间类型等)、用户数据(如年龄、性别、职位、学历等)、环境数据(如室内外环境参数等)及在室行为数据(如到达和离开办公室时间、房间内人数、不同时刻在室状况等)等。步骤S2所述的进行关联规则挖掘，具体为采用如下步骤进行关联规则挖掘：A.确定最小支持度min-support和最小可信度min-confidence，并通过以下公式计算支持度support和信任度confidence：式中描述集X和结果Y同时出现的支持度，count(X∪Y)表示项集X和结果Y同时出现的次数，|A|表示数据库A的项集数，表示项集X和结果Y同时出现的可信度，support(X)表示项集X出现的概率；B.利用Apriori算法搜索所有满足最小支持度的项集，并将搜索到的项集称为频繁项集；C.对步骤B得到的频繁项集生成所需要的关联规则，再根据设定的最小可信度筛选出强关联规则，即为用户在室行为显著影响因素。步骤S3所述的聚类分析，具体为采用如下步骤进行聚类分析：1)对数据库A中的数据进行预处理；2)从数据库A中随机选取k个样本作为聚类中心；3)将每一个样本聚类到距离最近的k个样本之一；4)计算每一个聚类的均值，并用新的均值替换原来的聚类中心；5)重复步骤2)～步骤4)，直至聚类中心不再发生变化为止，最终得到n个分类数据集。步骤1)中所述的对数据进行预处理，具体为采用如下方法进行数据预处理：①采用如下公式对数据库A中的数据进行z-score规范化处理：式中是属性K的均值，σK是属性K的标准差，v为属性原始值，v'为规范化值；②对数据库A中的缺失值采用均值填充处理。步骤S4中所述的采用随机森林模型预测在室行为，具体为采用如下步骤进行预测：Ⅰ.从每一个分类数据集B1，B2，B3……Bn中分别采取有放回的抽样，构造子数据集C1，C2，C3……Cn，子数据集(C1，C2，C3……Cn)中的数据量和相对应的原始数据(B1，B2，B3……Bn)相同；其中，不同子数据集的数据可以重复，同一个子数据集中的数据也可以重复；Ⅱ.利用子数据集C1，C2，C3……Cn构建子决策树，每个子决策树输出一个结果；Ⅲ.通过子决策树输出的判断结果进行投票得到随机森林的输出结果，获得投票最多的子决策树的输出结果即为随机森林的输出结果。步骤Ⅱ所述的构建子决策树，具体为采用如下方法构建子决策树：ⅰ.输入子数据集C1，C2，C3……Cn；ⅱ.从a个属性中随机选择b个属性，其中ⅲ.采用如下公式计算b个属性对子数据集的信息增益：式中K为属性；Gain(K)为属性K对子数据集的信息增益；Di为数据集Ci根据属性K划分为的子集；pi为D中任意元组属于类Ci的概率；s表示类别的数目；ⅳ.选择信息增益最大的作为最优特征，并以此为分裂结点；ⅴ.针对每个分裂结点，重复步骤ⅱ～步骤ⅳ直至分裂满足停止的要求。本专利技术提供的这种办公建筑用户在室行为预测方法，通过关联规则挖掘技术，从大量用户在室行为相关数据中辨识出有用的隐藏信息，在关联规则挖掘过程中输出的强关联规则及相应因素即为对用户在室行为具有显著影响的因素；辨识出显著影响因素再进行预测比任意采用影响因素进行预测可明显提高预测精度；基于上述因素，再利用聚类分析技术识别不同的用户类型，将特征相似的用户归为一类；最后对每一类用户分别建立随机森林模型预测用户在室行为；分类预测相比于对办公建筑所有用户不分类而统一预测可进一步提高预测准确性。另外，随机森林模型不仅反映了用户在室行为随机性，且可针对每一时刻的用户在室行为进行动态预测；所建模型还可提供大量在室行为有用信息并反馈给用户，进一步实现建筑节能。本专利技术提供的方法克服了已有的预测方法无法同时具备随机性、动态性和准确性的不足。附图说明图1为本专利技术方法的流程示意图。图2为本专利技术方法中关联规则挖掘方法的流程示意图。图3为本专利技术方法中聚类分析方法的流程示意图。图4为本专利技术方法中采用随机森林模型预测在室行为的流程示意图。图5为本专利技术方法中构件子本文档来自技高网...

【技术保护点】
一种办公建筑用户在室行为预测方法，包括如下步骤：S1.采集用户在室行为相关数据并建立数据库；S2.对步骤S1得到的数据库进行关联规则挖掘，确定对用户在室行为的显著影响因素；S3.针对不同用户类型，根据步骤S2得到的显著影响因素，采用聚类分析方法对用户进行聚类，从而得到用户的分类数据集；S4.对步骤S3得到的聚类后的每一个用户分类数据集，分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。

【技术特征摘要】
1.一种办公建筑用户在室行为预测方法，包括如下步骤：S1.采集用户在室行为相关数据并建立数据库；S2.对步骤S1得到的数据库进行关联规则挖掘，确定对用户在室行为的显著影响因素；S3.针对不同用户类型，根据步骤S2得到的显著影响因素，采用聚类分析方法对用户进行聚类，从而得到用户的分类数据集；S4.对步骤S3得到的聚类后的每一个用户分类数据集，分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。2.根据权利要求1所述的办公建筑用户在室行为预测方法，其特征在于步骤S1所述的数据包括建筑数据、用户数据、环境数据和在室行为数据；所述的建筑数据包括建筑朝向、面积、房间数及房间类型；所述的用户数据包括年龄、性别、职位和学历；所述的环境数据为室内外环境参数；所述的在室行为数据包括到达和离开办公室时间、房间内人数和不同时刻在室状况。3.根据权利要求1或2所述的办公建筑用户在室行为预测方法，其特征在于步骤S2所述的进行关联规则挖掘，具体为采用如下步骤进行关联规则挖掘：A.确定最小支持度min-support和最小可信度min-confidence，并通过以下公式计算支持度support和信任度confidence：support(X⇒Y)=count(X∪Y)/|A|]]>confidence(X⇒Y)=support(X⇒Y)/support(X)]]>式中描述集X和结果Y同时出现的支持度，count(X∪Y)表示项集X和结果Y同时出现的次数，|A|表示数据库A的项集数，表示项集X和结果Y同时出现的可信度，support(X)表示项集X出现的概率；B.利用Apriori算法搜索所有满足最小支持度的项集，并将搜索到的项集称为频繁项集；C.对步骤B得到的频繁项集生成所需要的关联规则，再根据设定的最小可信度筛选出强关联规则，即为用户在室行为显著影响因素。4.根据权利要求1或2所述的办公建筑用户在室行为预测方法，其特征在于步骤S3所述的聚类分析，具体为采用如下步骤进行聚类分析：1)对数据库A中的数据进行预处理；2)从数据库A中随机...

【专利技术属性】
技术研发人员：俞准，黄余建，李郡，周亚苹，胡宾，张国强，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43