System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及建筑管理,尤其是一种基于深度学习的建筑管理方法。
技术介绍
1、随着我国城镇化进程加快,城市内大型建筑越来越多,建筑结构也日益复杂,对建筑的综合管理难度也越来越大,人力成本也越来越高。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。目前,深度学习与大数据的手段在建筑管理方面还没有展现出明显的优势,主要是因为建筑数据类型较为复杂,包括图片、视频、音频或者其他传感器数据,现有的技术主要针对的场景比较单一,覆盖范围较小。
2、在中国专利文献上公开的“基于人工智能的智能建筑管理方法及系统”,其公开号为cn114139870a,涉及基于人工智能的智能建筑管理方法及系统,可以对智能建筑运行记录进行建筑管理事项的不同状态挖掘、相同建筑管理事项中不同状态的联系以及建筑管理事项的事项操作解析,从而确定该智能建筑运行记录涵盖的不少于一个建筑管理事项和不少于一个建筑管理事项中每个建筑管理事项的目标事项操作关键词,但是公开号为cn114139870a的中国专利所述的建筑管理方法仅仅涵盖了一个较广的范围,且并无法解决上述问题。
技术实现思路
1、本专利技术解决了目前的建筑管理方法实用场景单一,覆盖范围较小的问题,提出一种基于深度学习的建筑管理方法,首
2、为了实现上述目的,本专利技术采用以下技术方案:一种基于深度学习的建筑管理方法,包括以下步骤:
3、s1,对传感器数据和视频数据进行采集,随后对数据进行统一规整处理;
4、s2,通过数据服务引擎进行数据处理,数据处理包括数据清洗和数据质量评估;
5、s3,将历史流量数据和其他事件信息数据进行数据融合,生成历史流量特征,并输入至训练完成的预测模型中进行客流、车流和能耗的实时预测;
6、s4,根据实时预测结果,针对性采取管理控制措施。
7、本专利技术主要是通过构建大数据平台对建筑系统中的各类数据进行统一的管理,并对各类数据进行离线或者实时处理,它能够同时支撑多个业务,让业务之间的信息形成交互和增强的平台,实现对建筑体事务的统一管理,降低大型建筑体的管理难度,降低人力成本。
8、作为优选,所述历史流量数据包括采集得到的车流数据、人流数据和能耗数据,所述其他事件信息数据包括突发事件、天气和节假日活动。
9、本专利技术中,通过数据采集以及数据处理后,得到的历史流量数据主要分为车流数据、人流和能耗数据。
10、作为优选,所述步骤s3包括以下步骤:
11、s31,从其他事件信息数据中提取出一维特征数据,再将历史流量数据与一维特征数据进行数据融合;
12、s32,预测模型采用长短期记忆神经网络,对预测模型进行训练,训练完成后,将数据融合生成的历史流量特征输入至预测模型,输出预测结果。
13、本专利技术中,从其他时间信息数据中的突发事件、天气和节假日活动数据中提取出一维特征数据,一维特征数据与对应的历史流量数据进行数据融合;融合完成后,将生成的历史流量特征输入至预测模型中进行预测。
14、作为优选,所述规整处理为对不同的数据进行整理归类;整理归类后,数据分为:
15、属性数据,包括设备材质、尺寸和性能;
16、非结构化数据,包括视频、文本和图片;
17、结构化数据,包括历史记录数据。
18、本专利技术中,在数据采集完成后,即进行规整处理,方便后续进行数据的处理以及预测。
19、作为优选,所述数据质量评估包括缺失值分析、异常值分析和一致性分析,数据的缺失值和异常值通过spark引擎进行查询分析;数据的不一致性由于数据源不同,导致数据编码不一致,需要对数据进行清洗和集成操作,去除冗余数据、统一变量名、统一数据的计量单位,并使用最新的数据消除不一致性。
20、本专利技术中,除了数据质量评估,还包括数据清洗,数据清洗通过spark引擎进行缺失值处理、异常值处理、数据类型转换、数据去重、数据降维、数据维度扩展、数据标准化。
21、作为优选,所述数据融合包括:
22、先采用stl分解提取历史流量数据的趋势分量、季节分量和残差分量,再将stl分解得到的特征与一维特征数据进行拼接。
23、本专利技术中,数据的融合利用stl分解得到多个分量,然后stl分解得到的特征与一维特征数据拼接。
24、作为优选,所述步骤s4包括:将预测结果更新至用户平台,获取到未来时段内的预测情况,用户根据预测结果,通过应用管理系统对建筑中的各个子系统进行管理控制。
25、本专利技术中,通过预测结果,实现统一管理,管理控制更加方便,并且能够合理安排各方面资源,降低成本。
26、本专利技术的有益效果是:对于本专利技术的一种基于深度学习的建筑管理方法,首先对建筑体中的各项数据进行采集汇总,然后通过多种算法对数据进行分析;本专利技术的方法降低了大型建筑体的管理难度,实现了建筑体的智能化综合管理。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的建筑管理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的建筑管理方法,其特征在于,所述历史流量数据包括采集得到的车流数据、人流数据和能耗数据,所述其他事件信息数据包括突发事件、天气和节假日活动。
3.根据权利要求2所述的一种基于深度学习的建筑管理方法,其特征在于,所述步骤S3包括以下步骤:
4.根据权利要求1或2所述的一种基于深度学习的建筑管理方法,其特征在于,所述规整处理为对不同的数据进行整理归类;整理归类后,数据分为:
5.根据权利要求4所述的一种基于深度学习的建筑管理方法,其特征在于,所述数据质量评估包括缺失值分析、异常值分析和一致性分析,数据的缺失值和异常值通过spark引擎进行查询分析;数据的不一致性由于数据源不同,导致数据编码不一致,需要对数据进行清洗和集成操作,去除冗余数据、统一变量名、统一数据的计量单位,并使用最新的数据消除不一致性。
6.根据权利要求3所述的一种基于深度学习的建筑管理方法,其特征在于,所述数据融合包括:
7.根据权利要求1所述
...【技术特征摘要】
1.一种基于深度学习的建筑管理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的建筑管理方法,其特征在于,所述历史流量数据包括采集得到的车流数据、人流数据和能耗数据,所述其他事件信息数据包括突发事件、天气和节假日活动。
3.根据权利要求2所述的一种基于深度学习的建筑管理方法,其特征在于,所述步骤s3包括以下步骤:
4.根据权利要求1或2所述的一种基于深度学习的建筑管理方法,其特征在于,所述规整处理为对不同的数据进行整理归类;整理归类后,数据分为:
5.根据权利要求4所述的一种基于深度学习的建筑管理方法,其特征在...
【专利技术属性】
技术研发人员:钟超文,朱凡凡,姜雪明,黄乙元,
申请(专利权)人:浙江中控信息产业股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。