基于数据挖掘技术的智慧人居模式与行为预测研究
发布时间：2021-05-12 07:51
居住者行为是影响建筑能耗的重要因素,也是带来能耗模拟及预测不确定性的主要来源。居住者的能耗行为实为其物理、生理、心理需求的体现。现阶段,如何以人为本地寻求建筑节能与人体热舒适间的平衡是建筑节能事业的研究重心。随着大数据与云平台的飞速发展,充分认识居住者行为动机、模式及规律逐渐成为可能。依托于智慧家居管理平台,运用先进的数据挖掘技术,能够有效克服行为研究的局限性,解决人行为的随机性、复杂性问题,以人为本地引导建筑节能落地,为建筑设备系统的智能化管控、个性化服务奠定基础,无论是对建筑节能事业的发展,还是对人居环境的改善都具有重要意义。本研究基于住宅建筑的智慧家居管理平台,运用多种数据挖掘技术、机器学习算法,以实际工程案例为基础,针对居住者空调供暖、供冷调节行为的动机、模式及规律,展开如下研究:首先,本研究提出了一套具有普适性的数据预处理技术体系,运用K-Means、KNN、改进的滑动平均等多种数据挖掘技术,系统性、分门别类地解决了大数据平台中不同情况的数据缺失、数据异常等问题,有效实现了数据清理、数据集成、数据转换和数据规约的过程。对提高数据质量、保障数据挖掘质量及效率具有重要意义。其次,...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：183 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题来源
1.2 课题背景及研究的目的和意义
1.2.1 课题背景
1.2.2 课题研究目的及意义
1.3 国内外研究现状
1.3.1 数据挖掘技术在建筑暖通空调领域的应用框架
1.3.2 建筑暖通空调领域的数据预处理方法
1.3.3 居住者行为驱动因素的研究现状
1.3.4 居住者行为模式研究现状
1.3.5 居住者行为模型的研究现状
1.4 本文的主要研究内容
第2章 数据采集及数据预处理技术体系
2.1 数据采集及数据质量分析
2.1.1 数据采集方法
2.1.2 数据质量分析
2.2 数据预处理框架
2.2.1 数据预处理的一般流程
2.2.2 本研究数据预处理流程
2.3 基于K-MEANS算法的离群点识别
2.3.1 K-Means算法原理
2.3.2 异常数据识别与清洗
2.3.3 情境离群点的识别与匹配
2.4 基于KNN算法的数据填充
2.4.1 KNN算法原理
2.4.2 连续缺失数据的填充
2.5 基于改进滑动平均模型的数据填充
2.5.1 滑动平均模型原理
2.5.2 非连续缺失数据的填充
2.6 本章小结
第3章 居住者行为驱动因素的研究
3.1 方法及原理
3.1.1 非参数秩和检验方法
3.1.2 卡方检验方法
3.1.3 二元逻辑回归
3.1.4 多元逻辑回归
3.2 居住者行为影响因素的提出
3.3 基于单因素模型的相关性分析
3.3.1 居住者空调供暖行为的驱动因素相关性分析
3.3.2 居住者空调供冷行为的驱动因素相关性分析
3.4 居住者行为主要驱动因素的挖掘
3.4.1 居住者空调供暖行为的主要驱动因素的挖掘
3.4.2 居住者空调供冷行为的主要驱动因素的挖掘
3.5 本章小结
第4章 居住者行为模式的辨识及行为规则研究
4.1 方法及原理
4.1.1 聚类分析
4.1.2 关联规则
4.2 居住者空调调节行为模式的辨识
4.2.1 主要行为模式的提出
4.2.2 空调供暖行为模式的辨识
4.2.3 空调供冷行为模式的辨识
4.3 居住者空调调节行为规则的挖掘
4.3.1 行为规则挖掘角度的提出
4.3.2 空调供暖行为规律的挖掘
4.3.3 空调供冷行为规律的挖掘
4.4 本章小结
第5章 居住者行为模型的建立及行为预测研究
5.1 方法及原理
5.1.1 随机森林模型
5.1.2 BP神经网络模型
5.1.3 支持向量机模型
5.1.4 预测评价指标
5.2 居住者开关空调供暖行为模型的建立及行为预测
5.2.1 开关空调供暖行为模型中变量的确定
5.2.2 基于不同机器学习方法的行为模型建立及行为预测
5.2.3 开关空调供暖行为模型的评价与筛选
5.3 居住者空调供暖温度调节行为模型的建立及行为预测
5.3.1 供暖温度调节行为模型中变量的确定
5.3.2 基于不同机器学习方法的行为模型建立及行为预测
5.3.3 空调供暖温度调节行为模型的评价与筛选
5.4 居住者开关空调供冷行为模型的建立及行为预测
5.4.1 开关空调供冷行为模型中变量的确定
5.4.2 基于不同机器学习方法的行为模型建立及行为预测
5.4.3 开关空调供冷行为模型的评价与筛选
5.5 居住者空调供冷温度调节行为模型的建立及行为预测
5.5.1 供冷温度调节行为模型中变量的确定
5.5.2 基于不同机器学习方法的行为模型建立及行为预测
5.5.3 空调供冷温度调节行为模型的评价与筛选
5.6 本章小结
结论
参考文献
附录
攻读硕士期间学位期间发表的学术论文及其他成果
致谢
本文编号：3183042
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：183 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题来源
1.2 课题背景及研究的目的和意义
1.2.1 课题背景
1.2.2 课题研究目的及意义
1.3 国内外研究现状
1.3.1 数据挖掘技术在建筑暖通空调领域的应用框架
1.3.2 建筑暖通空调领域的数据预处理方法
1.3.3 居住者行为驱动因素的研究现状
1.3.4 居住者行为模式研究现状
1.3.5 居住者行为模型的研究现状
1.4 本文的主要研究内容
第2章 数据采集及数据预处理技术体系
2.1 数据采集及数据质量分析
2.1.1 数据采集方法
2.1.2 数据质量分析
2.2 数据预处理框架
2.2.1 数据预处理的一般流程
2.2.2 本研究数据预处理流程
2.3 基于K-MEANS算法的离群点识别
2.3.1 K-Means算法原理
2.3.2 异常数据识别与清洗
2.3.3 情境离群点的识别与匹配
2.4 基于KNN算法的数据填充
2.4.1 KNN算法原理
2.4.2 连续缺失数据的填充
2.5 基于改进滑动平均模型的数据填充
2.5.1 滑动平均模型原理
2.5.2 非连续缺失数据的填充
2.6 本章小结
第3章 居住者行为驱动因素的研究
3.1 方法及原理
3.1.1 非参数秩和检验方法
3.1.2 卡方检验方法
3.1.3 二元逻辑回归
3.1.4 多元逻辑回归
3.2 居住者行为影响因素的提出
3.3 基于单因素模型的相关性分析
3.3.1 居住者空调供暖行为的驱动因素相关性分析
3.3.2 居住者空调供冷行为的驱动因素相关性分析
3.4 居住者行为主要驱动因素的挖掘
3.4.1 居住者空调供暖行为的主要驱动因素的挖掘
3.4.2 居住者空调供冷行为的主要驱动因素的挖掘
3.5 本章小结
第4章 居住者行为模式的辨识及行为规则研究
4.1 方法及原理
4.1.1 聚类分析
4.1.2 关联规则
4.2 居住者空调调节行为模式的辨识
4.2.1 主要行为模式的提出
4.2.2 空调供暖行为模式的辨识
4.2.3 空调供冷行为模式的辨识
4.3 居住者空调调节行为规则的挖掘
4.3.1 行为规则挖掘角度的提出
4.3.2 空调供暖行为规律的挖掘
4.3.3 空调供冷行为规律的挖掘
4.4 本章小结
第5章 居住者行为模型的建立及行为预测研究
5.1 方法及原理
5.1.1 随机森林模型
5.1.2 BP神经网络模型
5.1.3 支持向量机模型
5.1.4 预测评价指标
5.2 居住者开关空调供暖行为模型的建立及行为预测
5.2.1 开关空调供暖行为模型中变量的确定
5.2.2 基于不同机器学习方法的行为模型建立及行为预测
5.2.3 开关空调供暖行为模型的评价与筛选
5.3 居住者空调供暖温度调节行为模型的建立及行为预测
5.3.1 供暖温度调节行为模型中变量的确定
5.3.2 基于不同机器学习方法的行为模型建立及行为预测
5.3.3 空调供暖温度调节行为模型的评价与筛选
5.4 居住者开关空调供冷行为模型的建立及行为预测
5.4.1 开关空调供冷行为模型中变量的确定
5.4.2 基于不同机器学习方法的行为模型建立及行为预测
5.4.3 开关空调供冷行为模型的评价与筛选
5.5 居住者空调供冷温度调节行为模型的建立及行为预测
5.5.1 供冷温度调节行为模型中变量的确定
5.5.2 基于不同机器学习方法的行为模型建立及行为预测
5.5.3 空调供冷温度调节行为模型的评价与筛选
5.6 本章小结
结论
参考文献
附录
攻读硕士期间学位期间发表的学术论文及其他成果
致谢
本文编号：3183042
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3183042.html
