基于词嵌入与卷积神经网络的建筑能耗预测

摘要：

在对建筑能耗进行回归预测时需要利用到时序特征与分类特征,而传统模型只能处理其中一种特征.针对该问题,文中提出了一种融合一维卷积与词嵌入的神经网络新构架,其中,一维卷积核能提取连续的时间序列特征,词嵌入模型能对离散的分类特征进行嵌入计算,从而建立能同时处理时序特征与分类特征的建筑能耗预测模型.通过与梯度提升决策回归树和长短时记忆网络的比较,证明所提出的模型在效率与准确率上都有良好的表现.在超参数调节上,采用基于贝叶斯优化的超参数自动优化算法,该算法能在树搜索空间上寻找最优超参数,相比于人工调参,超参数自动寻优算法能在较快的时间内提升模型本身的性能.最后进行了算例仿真,结果表明,文中提出的模型在性能上要优于集成学习模型与长短时记忆网络.

关键词：建筑能耗预测、一维卷积网络、词嵌入模型、梯度提升决策回归树、长短时记忆网络、贝叶斯优化、超参数自动优化算法

所属期刊栏目：49

分类号：TM935

资助基金：广东省自然科学基金2018A030313822

在线出版日期：2021-07-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：40-48