居住者行為是影響建筑能耗的重要因素,也是帶來能耗模擬及預(yù)測不確定性的主要來源。居住者的能耗行為實為其物理、生理、心理需求的體現(xiàn)�，F(xiàn)階段,如何以人為本地尋求建筑節(jié)能與人體熱舒適間的平衡是建筑節(jié)能事業(yè)的研究重心。隨著大數(shù)據(jù)與云平臺的飛速發(fā)展,充分認識居住者行為動機、模式及規(guī)律逐漸成為可能。依托于智慧家居管理平臺,運用先進的數(shù)據(jù)挖掘技術(shù),能夠有效克服行為研究的局限性,解決人行為的隨機性、復(fù)雜性問題,以人為本地引導(dǎo)建筑節(jié)能落地,為建筑設(shè)備系統(tǒng)的智能化管控、個性化服務(wù)奠定基礎(chǔ),無論是對建筑節(jié)能事業(yè)的發(fā)展,還是對人居環(huán)境的改善都具有重要意義。本研究基于住宅建筑的智慧家居管理平臺,運用多種數(shù)據(jù)挖掘技術(shù)、機器學(xué)習(xí)算法,以實際工程案例為基礎(chǔ),針對居住者空調(diào)供暖、供冷調(diào)節(jié)行為的動機、模式及規(guī)律,展開如下研究:首先,本研究提出了一套具有普適性的數(shù)據(jù)預(yù)處理技術(shù)體系,運用K-Means、KNN、改進的滑動平均等多種數(shù)據(jù)挖掘技術(shù),系統(tǒng)性、分門別類地解決了大數(shù)據(jù)平臺中不同情況的數(shù)據(jù)缺失、數(shù)據(jù)異常等問題,有效實現(xiàn)了數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)規(guī)約的過程。對提高數(shù)據(jù)質(zhì)量、保障數(shù)據(jù)挖掘質(zhì)量及效率具有重要意義。其次,... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：183 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題來源
    1.2 課題背景及研究的目的和意義
        1.2.1 課題背景
        1.2.2 課題研究目的及意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 數(shù)據(jù)挖掘技術(shù)在建筑暖通空調(diào)領(lǐng)域的應(yīng)用框架
        1.3.2 建筑暖通空調(diào)領(lǐng)域的數(shù)據(jù)預(yù)處理方法
        1.3.3 居住者行為驅(qū)動因素的研究現(xiàn)狀
        1.3.4 居住者行為模式研究現(xiàn)狀
        1.3.5 居住者行為模型的研究現(xiàn)狀
    1.4 本文的主要研究內(nèi)容
第2章 數(shù)據(jù)采集及數(shù)據(jù)預(yù)處理技術(shù)體系
    2.1 數(shù)據(jù)采集及數(shù)據(jù)質(zhì)量分析
        2.1.1 數(shù)據(jù)采集方法
        2.1.2 數(shù)據(jù)質(zhì)量分析
    2.2 數(shù)據(jù)預(yù)處理框架
        2.2.1 數(shù)據(jù)預(yù)處理的一般流程
        2.2.2 本研究數(shù)據(jù)預(yù)處理流程
    2.3 基于K-MEANS算法的離群點識別
        2.3.1 K-Means算法原理
        2.3.2 異常數(shù)據(jù)識別與清洗
        2.3.3 情境離群點的識別與匹配
    2.4 基于KNN算法的數(shù)據(jù)填充
        2.4.1 KNN算法原理
        2.4.2 連續(xù)缺失數(shù)據(jù)的填充
    2.5 基于改進滑動平均模型的數(shù)據(jù)填充
        2.5.1 滑動平均模型原理
        2.5.2 非連續(xù)缺失數(shù)據(jù)的填充
    2.6 本章小結(jié)
第3章 居住者行為驅(qū)動因素的研究
    3.1 方法及原理
        3.1.1 非參數(shù)秩和檢驗方法
        3.1.2 卡方檢驗方法
        3.1.3 二元邏輯回歸
        3.1.4 多元邏輯回歸
    3.2 居住者行為影響因素的提出
    3.3 基于單因素模型的相關(guān)性分析
        3.3.1 居住者空調(diào)供暖行為的驅(qū)動因素相關(guān)性分析
        3.3.2 居住者空調(diào)供冷行為的驅(qū)動因素相關(guān)性分析
    3.4 居住者行為主要驅(qū)動因素的挖掘
        3.4.1 居住者空調(diào)供暖行為的主要驅(qū)動因素的挖掘
        3.4.2 居住者空調(diào)供冷行為的主要驅(qū)動因素的挖掘
    3.5 本章小結(jié)
第4章 居住者行為模式的辨識及行為規(guī)則研究
    4.1 方法及原理
        4.1.1 聚類分析
        4.1.2 關(guān)聯(lián)規(guī)則
    4.2 居住者空調(diào)調(diào)節(jié)行為模式的辨識
        4.2.1 主要行為模式的提出
        4.2.2 空調(diào)供暖行為模式的辨識
        4.2.3 空調(diào)供冷行為模式的辨識
    4.3 居住者空調(diào)調(diào)節(jié)行為規(guī)則的挖掘
        4.3.1 行為規(guī)則挖掘角度的提出
        4.3.2 空調(diào)供暖行為規(guī)律的挖掘
        4.3.3 空調(diào)供冷行為規(guī)律的挖掘
    4.4 本章小結(jié)
第5章 居住者行為模型的建立及行為預(yù)測研究
    5.1 方法及原理
        5.1.1 隨機森林模型
        5.1.2 BP神經(jīng)網(wǎng)絡(luò)模型
        5.1.3 支持向量機模型
        5.1.4 預(yù)測評價指標
    5.2 居住者開關(guān)空調(diào)供暖行為模型的建立及行為預(yù)測
        5.2.1 開關(guān)空調(diào)供暖行為模型中變量的確定
        5.2.2 基于不同機器學(xué)習(xí)方法的行為模型建立及行為預(yù)測
        5.2.3 開關(guān)空調(diào)供暖行為模型的評價與篩選
    5.3 居住者空調(diào)供暖溫度調(diào)節(jié)行為模型的建立及行為預(yù)測
        5.3.1 供暖溫度調(diào)節(jié)行為模型中變量的確定
        5.3.2 基于不同機器學(xué)習(xí)方法的行為模型建立及行為預(yù)測
        5.3.3 空調(diào)供暖溫度調(diào)節(jié)行為模型的評價與篩選
    5.4 居住者開關(guān)空調(diào)供冷行為模型的建立及行為預(yù)測
        5.4.1 開關(guān)空調(diào)供冷行為模型中變量的確定
        5.4.2 基于不同機器學(xué)習(xí)方法的行為模型建立及行為預(yù)測
        5.4.3 開關(guān)空調(diào)供冷行為模型的評價與篩選
    5.5 居住者空調(diào)供冷溫度調(diào)節(jié)行為模型的建立及行為預(yù)測
        5.5.1 供冷溫度調(diào)節(jié)行為模型中變量的確定
        5.5.2 基于不同機器學(xué)習(xí)方法的行為模型建立及行為預(yù)測
        5.5.3 空調(diào)供冷溫度調(diào)節(jié)行為模型的評價與篩選
    5.6 本章小結(jié)
結(jié)論
參考文獻
附錄
攻讀碩士期間學(xué)位期間發(fā)表的學(xué)術(shù)論文及其他成果
致謝



本文編號：3183042