基于PCA特征提取的SVR地下水位动态预测方法

本文提出了一种基于PCA特征提取的SVR地下水位动态预测方法.PCA用来对地下水位样本值进行相关性分析和特征提取,将得到的最佳特征向量子集输入SVR模型,并通过网格搜索的方法进行SVR参数寻优,进行地下水位预测.通过地下水位的实例分析和UCI标准数据集对模型的有效性进行验证,结果表明该方法不仅降低了预测所需的计算工作量...     

基于CART-SVR模型的混凝土抗压强度预测研究

为了提高混凝土抗压强度预测精度,根据影响因素与抗压强度的变化规律,提出了1种基于CART算法优化SVR回归算法的预测方法。SVR算法基于结构风险最小原理来提升泛化能力,由于惩罚因子人为设置,该因子设置过大会导致训练欠拟合,过小会导致预测精度不足。主要改进是通过CART决策树中的剪枝算法生成一系列惩罚因子,进而交叉验证生成最优决策树,进行属性约简,剔除冗余信息,实现数据降维。使用CART-SVR模型与AB、AB-KNN、RF、GBM模型对比试验,均方根误差（RMSE）至少减少了6.7%,平均减少了40.1%。研究结果表明,该模型具有生成最优惩罚因子、优化SVR参数的优点,为实现混凝土抗压强度的高精度预测提供了新的思路。     

基于 SVR 的工程建设项目快速投资估算方法研究

在建设项目前期,如何快速而准确地估算工程项目的造价,对项目的投资决策具有很大的意义。针对传统造价估算 方法的不足之处,采用 SPSS 统计分析软件进行工程造价指标的相关性分析及指标体系选取,将之作为输入变量,使用真实 案例训练集样本训练 SVR 模型并进行仿真模拟预测。为了验证提出的 SVR 模型的有效性,引入 BP 人工神经网络来进行预 测结果的对比验证。结果表明,SVR 模型得到的预测值平均绝对百分比误差约为 5%,拟合优度 R2高达 0.97,远小于 BPNN 模型的预测误差 14%,即提出的 SVR 估算模型要比 BP 人工神经网络预测模型具有更良好的泛化能力,预测精度更高,因 此其在工程项目前期投资估算实践中具有一定的现实意义。     

基于RF-NSGA-Ⅱ的建筑能耗多目标优化

本文提出一种随机森林–带精英策略的非支配排序遗传算法(RF-NSGA-Ⅱ)相结合的方法,基于建筑外围护结构设计优选进行建筑能耗多目标优化.首先通过建立BIM模型导入DesignBuilder软件,利用正交试验获取建筑外维护结构主要参数与对应能耗的模拟样本集,再将样本数据集用于RF模型预测中进行训练,将训练好的RF回归函...     

不规则基坑受力变形关联性分析与预测研究

为了解决不规则基坑在开挖过程中的受力变形规律研究问题,本文介绍滨州某不规则深基坑工程实例,分析了桩体测斜、冠梁位移、支撑轴力各监测点数据的变化规律问题,提出了不同指标间变化规律存在关联性的观点。得出结论为：根据监测点数据,以角撑周围桩和冠梁的变形值为输入,角撑的轴力为输出,将实测点数据集按4:1分为训练集和测试集,通过训练集构建SVR模型。对训练好的模型进行预测,预测值与实际值最大绝对误差为0.19×10³kN,在误差允许范围内,可为实际工程提供参考。     

基于机器学习的供热系统热负荷多步递归预测

为预测供热系统的短期热负荷动态概况,提出一种基于机器学习的热负荷多步递归预测策略,该预测策略是对热负荷单步预测模型的拓展。介绍热负荷多步递归预测的流程,该流程可分为4个步骤:数据预处理、数据集划分、模型训练和模型评估。数据预处理细分为特征选择、特征工程和特征变换。在模型训练步骤中,介绍2种机器学习模型:支持向量回归(SVR)和极限梯度提升(XGBoost)。分别利用这2种机器学习模型建立了热负荷单步预测模型,根据建立的单步预测模型,采用提出的多步递归预测策略,可以实现对短期热负荷的动态概况预测。选取某实际供热系统的热源首站的运行数据用于案例分析。结果表明:在预测精度和预测稳定性方面,基于XGBoost的热负荷多步递归预测策略均优于基于SVR的热负荷多步递归预测策略;二者在各时间步长上均未产生明显的误差累积;该热负荷多步递归预测策略可以准确预测供热系统短期热负荷的动态概况。     

基于GALM神经网络的建筑能耗短期预测

为改进以往神经网络对建筑能耗预测的不足,提出应用遗传算法结合Levenberg-Marquardt算法(GALM)改进神经网络对建筑能耗进行预测。首先,利用遗传算法优化神经网络的权值和阈值;其次,利用Levenberg-Marquardt算法优化神经网络训练,针对影响建筑能耗的主要因素建立GALM神经网络的建筑能耗预测模型。通过建立建筑能耗监测平台采集某公共建筑1个月的能耗数据,对该模型进行训练和测试。实验结果表明,该模型可以准确且高效地对建筑能耗进行短期预测。     

基于BP神经网络的建筑能耗预测

利用MATLAB建立BP神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,与D eST-h模拟计算得到的结果比较,发现相对误差在3.5%以内,并通过实例验证了该网络模型的准确性。该方法使建筑人员在设计阶段就能快速且准确地获得设计建筑的能耗。     

基于遗传算法优化支持向量回归机参数的供热负荷预测

为了进一步提高供热负荷的预测精度,通过分析影响支持向量回归机(SVR)性能表现的参数,提出了基于遗传算法优化的SVR供热负荷预测模型。该方法利用交叉验证思想在模型性能评估和选择方面的优势,结合遗传算法的全局寻优能力,实现了参数的自动优选,并用由此得到的最佳模型进行供热负荷预测。应用某热源的实测数据进行了仿真实验,与其他算法的比较表明,该方法相对误差绝对值的平均值为4.33%,比传统SVR降低了10.77%,比小波神经网络降低了5.28%。     

梯度渐进回归树在建筑能耗短期预测中的应用

建筑能耗短期预测可以为供能系统调度、节能量评估提供依据,因此如何精确地预测建筑能耗一直是建筑节能领域的研究热点之一。针对建筑能耗短期预测问题,提出了一种基于梯度渐进回归树(GBRT)的建筑能耗预测方法。算法流程包括对数据进行预处理,通过交叉验证优化模型参数,训练GBRT模型用于建筑能耗短期预测。通过上海市某大型公共建筑实测数据进行验证,结果表明,与基于人工神经网络和支持向量机的预测算法相比,基于GBRT的建筑能耗预测算法预测精度更高,同时参数在很宽泛的范围均可以接近最优结果,算法具有较强的实用性。     

建设项目评标的改进SVR智能模型

在深入分析评价指标的基础上,引进一种改进的SVR算法,将这种改进SVR算法引入建设项目招标的评标工作,收集了大量评标实例用于改进的SVR网络训练,建立了建设项目评标的智能模型,并用一个实际工程招标的评标结果验证了该模型的可靠性,为建设项目评标提供了一种新的方法。     

基于神经网络的建筑能耗预测

由于目前只有很少一部分建筑师能掌握复杂的建筑能耗分析,因此本文利用MATLAB建立BP神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,并与DeST-h模拟计算得到的结果比较,发现相对误差在3.5%以内,验证了该网络模型的可行性.该方法使建筑师在设计阶段能够简单且准确地获得设计建筑的能耗.     

基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究

针对目前滑坡位移预测研究中存在的随机性位移无法分解与预测、支持向量机(SVR)模型中输入向量权值无差异、最优训练组合无法确定等问题,基于时序分析理论和变分模态分解(VMD),结合灰狼优化算法(GWO)、最大信息系数(MIC)和SVR,提出一种新型滑坡位移预测模型。该模型首先采用时序分析法和VMD,将滑坡实际累积位移分解为趋势性位移、周期性位移和随机性位移。然后基于滑坡对各类影响因素的响应分析,为3种位移选择合适的影响因子,并采用GWO-MIC-SVR模型对各位移分量进行多数据驱动的动态单步预测。最终基于训练数据的时效性分析,确定最优训练组合,并应用时序加法模型将最优预测值进行叠加,实现对滑坡累积位移的预测。以三峡库区典型堆积层滑坡——白水河滑坡为例,选取监测点ZG93和ZG118从2004年1月~2013年4月的数据进行研究。结果表明,与以往的研究相比,该模型不仅有效预测时间较长,且预测精度较高,具有较高的实用性和推广应用价值。     

基于气象热舒适度的建筑能耗灰色神经网络预测

针对建筑能耗受局地气候多因素影响的特点,为了客观准确地对建筑能耗进行预测,本文引入了气象热舒适度来综合分析气候对建筑能耗的影响,并以该指数预测值、建筑能耗原始数据和日期类型作为输入层,进行复合灰色神经网络模型预测建筑能耗。该方法不仅克服了灰色模型和神经网络存在的预测缺陷,同时还考虑了气象因素对建筑能耗的影响。通过对北京某大厦的实例应用分析,取得了较高精度的预测结果,证实了该方法的合理可靠,为建筑能耗预测提供了新途径,其预测结果也将为大型建筑空调系统的再优化设计和改造提供参考。     

基于SVR技术的混凝土强度预测

提出了一种基于支持向量机回归（SVR）模型的混凝土强度预测方法,通过SVR预测结果和Bolomey经验公式的计算结果相比较,证明基于SVR技术的混凝土强度预测模型精度要远高于传统的Bolomey经验公式。     

GA-SVR模型用于日供水量预测的研究

针对日供水量预测问题,提出一种基于遗传算法的支持回归向量机(GA-SVR)模型。以H市为例,采用GA-SVR模型对日供水量进行了预测,并与BP模型和SVR模型的预测值进行了比较。结果表明,H市日供水量预测值与实际值的误差均小于5%,且GA-SVR模型的预测精度高于BP模型和SVR模型。由此可见,GA-SVR模型是一种有效的预测日供水量的方法。     

建筑电能耗无线监测平台设计

提出了一种基于Wi-Fi技术的楼宇无线监测与管理系统。通过改进Levenberg-Marquardt训练算法的BP神经网络对建筑电能耗进行建模,采用LabVIEW开发平台,设计良好的人机交换界面,实时监测楼宇电能四项分类能耗,同时通过能耗模型对电能耗进行预测,为楼宇的运行管理提供用能定额方案和科学依据。通过测试及分析,结果显示能耗模型预测精度高、稳定,整个系统运行良好、实时性强。     

基于近零能耗目标的寒冷地区办公建筑设计参数综合寻优和实证

目前近零能耗建筑在我国成规模化推广的趋势，从国家到地方的设计与评价标准在逐步完善，且多数标准以限定节能设计参数值来实现近零能耗目标。然而，办公建筑用能需求多样、能耗构成复杂，须通过节能设计参数的综合寻优才能实现能耗最小化的设计目标。基于此，首先通过调研确立了寒冷地区办公建筑的能耗构成和建筑信息基准模型，并通过Grasshopper建立了集模型构建、能耗模拟与自动寻优的参数化一体平台；其次，借助该平台对不同围护结构热工设计参数的办公建筑进行对比研究，确定了照明能耗的重要性及总能耗受多参数交互作用的影响规律；在此基础上，借助遗传算法进行以能耗为导向的设计参数寻优，得到最优结果；进而，以山东建筑大学综合实验楼为实例，通过实测数据与仿真数据对比验证了研究结果的可靠性与准确性；最后，通过数据统计软件对设计参数与能耗结果进行了相关性分析，在MATLAB中凭借数据集训练得到机器学习模型，验证了模型的准确性。     

基于神经网络的建筑能耗及设备故障预测方法研究

文章在常规建筑能耗和设备故障预测方法的基础上,根据智慧建筑中BIM模型数据和物联网数据融合形成的数据集,提出了基于BP神经网络的多任务学习方法,将建筑能耗和设备故障预测采用同一神经网络模型进行学习和预测,并阐述了网络结构及损失函数的设计方法,为建筑能耗和设备故障预测提供了新的思路,也为智慧建筑运维管理系统中的智能诊断服...     

基于PSO-RBF的建筑能耗预测模型研究

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了RBF神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于PSO-RBF的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于PSO-RBF的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。