28、建筑中占用预测的现状与未来方向

建筑中占用预测的现状与未来方向

1. 深度学习在建筑占用预测中的应用

深度学习是机器学习的一个子领域，它利用神经网络从数据中获取知识。与传统机器学习方法不同，深度学习算法能够自动从原始数据中提取重要特征，无需手动进行特征工程。这一特性使得深度学习在语音和图像识别、自然语言处理以及占用预测等复杂任务中具有很大优势。

在智能建筑环境中，深度学习可通过学习大量传感器数据来提高房间占用检测的准确性。通过使用包含建筑物不同区域的温度、湿度、光照、二氧化碳和声音水平等传感器数据训练深度神经网络，可以预测一天中不同时间不同房间的占用情况。这一能力有助于优化建筑能源效率，因为占用预测可以为不同房间的供暖、制冷和照明决策提供依据。

1.1 不同深度学习方法的应用案例

• CNN - XGBoost方法 ：一种基于室内气候数据进行占用预测的新深度学习方法。该研究将其与各种有监督和无监督机器学习以及人工神经网络算法进行比较。使用2021年12月在哥本哈根一座住宅建筑中收集的13天室内气候数据，包括二氧化碳、相对湿度和温度。结果表明，CNN - XGBoost方法在预测测试建筑所有房间的占用水平方面优于其他算法。
• RNN - LSTM方法 ：用于大型展览厅的占用预测。将展厅划分为多个区域，并使用带有长短期记忆（LSTM）单元的循环神经网络（RNN）进行准确的占用预测。通过基于展厅不同区域占用变化的历史模式预测短期和长期占用情况来评估RNN模型的有效性。
• LSTM与ARIMA模型比较 ：比较了两种著名的时间序列预