8、线性时间序列建模与深度学习AI建模

线性时间序列建模与深度学习AI建模

1. 线性时间序列建模：AR模型实例

1.1 变量含义与影响

变量 $Rn(tm)$ 表示整个设施中一组室内机按运行时间和制冷量加权后的设定温度平均值。当空调目标设定温度调低时，空调耗电量会增大。为将此影响整合为整个建筑的单一变量，使用每个室内机的额定容量作为权重，即增大其贡献，并将设定温度的影响作为室内机之间的集合平均值输入。

1.2 测试建筑概况

为构建自回归（AR）模型而收集时间序列数据的测试建筑为日本典型的小型办公楼，其具体规格如下表所示：
| 项目 | 规格 |
| ---- | ---- |
| 建筑类型 | 普通办公楼 |
| 规模 | 总建筑面积约 5000 平方米 |
| 楼层数 | 两层建筑 |
| 建筑结构 | 钢筋混凝土 |
| 空调数量 | 30 台室内机 |

1.3 数据收集与模型识别

在 2008 年 8 月 2 日 7:00 至 19:00 期间，以 5 分钟为间隔测量并收集了该建筑的相关数据，包括耗电量 $PA5(k)$、室外温度 $TO5(k)$、加权平均设定温度 $TS5(k)$ 和总制冷剂流量 $FR5(k)$。其中，5 分钟室外温度 $TO5(k)$ 来自日本气象厅，加权平均设定温度 $TS5(k)$ 是每个室内机的设定温度，总制冷剂流量 $FR5(k)$ 是每个室内机电控膨胀阀的开度值。

接下来，使用这些测量的时间序列数据集，通过之前描述的程序获得 AR 系数矩阵的值作为最大概率估计。具体操作步骤如下：
1. 从收集的测量时间序列数