酒店空调能耗预测方法技术

本发明专利技术涉及大数据领域，具体涉及一种酒店空调能耗预测方法，能够实现对酒店数据进行采集分类，整体训练学习，并构建融合模型进行能耗预测，能够提高预测值的准确度并提高效率。技术方案为，根据相应酒店数据建立数据集合，并将数据集合划分为训练集、验证集、测试集；依据训练集、验证集、测试集，并设定相应时间数据进行整体训练，获得整体训练流程；采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型；基于融合模型，输入任意时段相应酒店数据，即可预测得到相应时段的酒店空调能耗预测值。本发明专利技术适用于酒店空调能耗预测。

【技术实现步骤摘要】
酒店空调能耗预测方法
本专利技术涉及大数据领域，具体涉及一种酒店空调能耗预测方法。
技术介绍
近年来，随着物联网领域的快速发展，各行各业都将物联网技术应用到企业日常运营管理中来，随之产生了大量的数据信息，但相应的数据分析应用领域缺未见有明显改善。而在酒店管理领域，日常运营成本中相当一部分归属于能耗支出，而能耗支出中，空调的电力消耗又占到近一半。因此，如果能相对准确的预测出酒店空调能耗，及时发现能耗异常并作出相应应对措施，无疑对酒店精细化管理大大有益。现阶段酒店管理中对能耗预测普遍采用依据往年经验预测未来能耗，准确度低且效率不高。少数部署能源采集管理系统的酒店，也只是将能耗数据采集的方式从人工采集变为传感器采集，并未对数据做有效处理。
技术实现思路
本专利技术的目的是提供一种酒店空调能耗预测方法，能够实现对酒店数据进行采集分类，整体训练学习，并构建融合模型进行能耗预测，能够提高预测值的准确度并提高效率，进一步提高了酒店能耗利用效率和酒店精细化运维管理水平。本专利技术采取如下技术方案实现上述目的，酒店空调能耗预测方法，包括：步骤(1)、根据相应酒店数据建立数据集合，并将数据集合划分为训练集、验证集、测试集；步骤(2)、依据训练集、验证集、测试集，并设定相应时间数据进行整体训练，获得整体训练流程；步骤(3)、采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型；步骤(4)、基于融合模型，输入任意时段相应酒店数据，即可预测得到相应时段的酒店空调能耗预测值。进一步的是，在步骤(1)中，所述酒店数据包括：酒店历史能耗数据、酒店经营数据以及酒店环境数据。进一步的是，在步骤(2)中，所述获得整体训练流程的具体实施方式包括：依据训练集、验证集、测试集，以酒店经营数据、酒店环境数据为输入参数，酒店历史能耗数据为输出参数，并设定相应时间数据进行整体训练，获得整体训练流程。进一步的是，在步骤(4)中，所述酒店数据包括：酒店室外温度，酒店室内温度，酒店入住人数。进一步的是，所述酒店室外温度与酒店室内温度通过Lora本地组网采集得到。进一步的是，所述通过Lora本地组网采集得到包括：特定区域和时间范围内的每个温度传感器的测量值作为对应的递归神经网络的输入，多个递归神经网络输出作为WNN神经网络的输入，WNN神经网络的输出为区间数RBF神经网络的输入，最后，区间数RBF神经网络的输出作为温度采集模块的最终输出。进一步的是，在步骤(2)中，所述整体训练流程包括：A、将数据集打乱并按照相应比例分割，然后加入训练集；B、将训练集载入模型开始训练；C、在训练过程中使用验证集检查训练过程是否发生过拟合，若是，则进入步骤D，否则回到步骤B；D、判断是否满意验证集的正确率，若是，则进入步骤E，否则换一个模型并回到步骤B；E、判断是否满意测试集的正确率，若是，则训练成功并获得该训练流程，否则回到步骤A。进一步的是，在步骤B或D中，所述模型为BP神经网络或卷积神经网络或循环神经网络或深度神经网络。进一步的是，在步骤(3)中，所述采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型包括：31、在样本训练集中使用权重1训练出弱学习器1；32、根据弱学习器1的学习误差率表现来更新权重1对应的权重系数a1，使得导致弱学习器1学习误差率高的样本训练点的权重变高；33、使用更新后的权重系数a1更新权重2，并在样本训练集中使用权重2训练出弱学习器2；34、根据弱学习器2的学习误差率表现来更新权重2对应的权重系数a2，使得导致弱学习器2学习误差率高的样本训练点的权重变高；35、循环上述步骤，直到弱学习器的数量达到事先设定的数量T；36、将T个弱学习器通过加权平均融合策略进行整合，得到最终的强学习器，即最终融合模型。本专利技术对酒店数据进行采集分类，整体训练学习，采用AdaBoost算法结合整体训练过程构建融合模型，并对AdaBoost算法中权重处理做了改进，使得预测的错误率得到了极大下降，能够提高预测值的准确度并提高效率，进一步提高了酒店能耗利用效率和酒店精细化运维管理水平。附图说明图1是本专利技术的方法流程图。图2是本专利技术整体训练流程图。图3是本专利技术构建融合模型过程示意图。具体实施方式本专利技术酒店空调能耗预测方法，其方法流程图如图1，包括以下步骤，步骤101：根据相应酒店数据建立数据集合，并将数据集合划分为训练集、验证集、测试集；步骤102：依据训练集、验证集、测试集，并设定相应时间数据进行整体训练，获得整体训练流程；步骤103：采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型；步骤104：基于融合模型，输入任意时段相应酒店数据，即可预测得到相应时段的酒店空调能耗预测值。步骤101中，酒店数据包括：酒店历史能耗数据、酒店经营数据以及酒店环境数据。步骤102中，获得整体训练流程的具体实施步骤还包括：以酒店经营数据、酒店环境数据为输入参数，酒店历史能耗数据为输出参数。步骤102中，整体训练流程的具体方法步骤如图2，包括：A、将事先准备好的数据集打乱并按照一定比例分割，然后加入训练集；B、将训练集载入模型开始一轮训练；C、在训练过程中使用验证集检查训练过程是否发生过拟合，若是，则进入步骤D，否则回到步骤B；D、判断是否满意验证集的正确率，若是，则进入步骤E，否则换一个模型并回到步骤B；E、判断是否满意测试集的正确率，若是，则训练成功并获得该训练流程，否则回到步骤A。其中在步骤B或D中，所述模型为BP神经网络或卷积神经网络或循环神经网络或深度神经网络。步骤103中，所述采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型的具体过程如图3，包括：31、在样本训练集中使用权重D(1)训练出弱学习器1；32、根据弱学习器1的学习误差率表现来更新权重D(1)对应的权重系数a1，使得导致弱学习器1学习误差率高的样本训练点的权重变高；33、使用更新后的权重系数a1更新权重D(2)，并在样本训练集中使用权重D(2)训练出弱学习器2；34、根据弱学习器2的学习误差率表现来更新权重D(2)对应的权重系数a2，使得导致弱学习器2学习误差率高的样本训练点的权重变高；35、循环上述步骤，直到弱学习器的数量达到事先设定的数量T；36、将T个弱学习器通过加权平均融合策略进行整合，得到最终的强学习器，即最终融合模型。本专利技术还可以在AdaBoost算法基础上改进了权重更新规则：对每轮训练设置一个阈值Y，当对应的弱学习器T权重系数aT>Y时，使aT＝Y，因而其权重最大值不会超过Y，在一定程度上避免了过分配现象。因此，相比传统方法在训练速度和训练准确度上有明本文档来自技高网...

【技术保护点】
1.酒店空调能耗预测方法，其特征在于，包括：/n步骤(1)、根据相应酒店数据建立数据集合，并将数据集合划分为训练集、验证集、测试集；/n步骤(2)、依据训练集、验证集、测试集，并设定相应时间数据进行整体训练，获得整体训练流程；/n步骤(3)、采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型；/n步骤(4)、基于融合模型，输入任意时段相应酒店数据，即可预测得到相应时段的酒店空调能耗预测值。/n

【技术特征摘要】
1.酒店空调能耗预测方法，其特征在于，包括：
步骤(1)、根据相应酒店数据建立数据集合，并将数据集合划分为训练集、验证集、测试集；
步骤(2)、依据训练集、验证集、测试集，并设定相应时间数据进行整体训练，获得整体训练流程；
步骤(3)、采用AdaBoost算法构建模型并结合整体训练流程得到最终融合模型；
步骤(4)、基于融合模型，输入任意时段相应酒店数据，即可预测得到相应时段的酒店空调能耗预测值。


2.根据权利要求1所述的酒店空调能耗预测方法，其特征在于，在步骤(1)中，所述酒店数据包括：酒店历史能耗数据、酒店经营数据以及酒店环境数据。


3.根据权利要求2所述的酒店空调能耗预测方法，其特征在于，在步骤(2)中，所述获得整体训练流程的具体实施方式包括：依据训练集、验证集、测试集，以酒店经营数据、酒店环境数据为输入参数，酒店历史能耗数据为输出参数，并设定相应时间数据进行整体训练，获得整体训练流程。


4.根据权利要求1所述的酒店空调能耗预测方法，其特征在于，在步骤(4)中，所述酒店数据包括：酒店室外温度，酒店室内温度，酒店入住人数。


5.根据权利要求4所述的酒店空调能耗预测方法，其特征在于，所述酒店室外温度与酒店室内温度通过Lora本地组网采集得到。


6.根据权利要求5所述的酒店空调能耗预测方法，其特征在于，所述通过Lora本地组网采集得到包括：特定区域和时间范围内的每个温度传感器的测量值作为对应的递归神经网络的输入，多个递归神经网络输出作为WNN神经网络的输入，WNN神经网络的输出为区间数RBF神经网络的输入，...

【专利技术属性】
技术研发人员：李哲，宋佶聪，王浩磊，何金辉，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：四川;51