本发明涉及窗户状态预测领域，特别是涉及一种基于神经网络的窗户状态预测方法及系统。
背景技术：
开窗行为是人们利用最普遍也是最方便的一种调节室内通风状况的方式，通风不仅可以改善室内热湿环境状况和空气品质，还可以在一定程度上减少建筑能耗。因此，研究建筑内部人员开窗行为习惯，建立能够描述人员门窗开关行为的数学模型，将其概率模型运用到能耗模拟软件中，可以进一步提高模拟结果的准确性，对于建筑节能、室内空气品质、热舒适等具有十分重要的现实意义。
目前世界上经典的人员开关窗行为建模的方法主要有两种：基于伯努利(Bernoulli)链法和基于马科夫(Markov)链法。基于伯努利链法是对人员开关窗行为最基本的随机建模方法，其建模过程又基于Logistic回归法，建模时需要考虑现有环境状态，如温度、湿度等对人员开关窗决定影响的因素。基于马科夫链法同样也是基于Logistic回归法进行人行为建模。与前者不同的是马科夫链需要考虑前一个窗户状态对当前窗户状态的影响，换句话说就是如果之前窗户已经被打开，当前状态下窗户保持打开的状态和需要从之前关闭状态到现在打开状态的决定过程和因素是不一样的。室内人员的开关窗行为完全是随机的，现有的模型在考虑各类影响因素的预测准确率方面有所不足。
技术实现要素：
本发明的目的是提供一种基于神经网络的窗户状态预测方法及系统，用以提高窗户开关预测的准确性。
为实现上述目的，本发明提供了如下方案：
一种基于神经网络的窗户状态预测方法，所述方法包括：
获取窗户开关状态的历史监测数据；
获取环境参数的历史数据，并根据环境参数的历史数据确定影响窗户开关的环境影响参数；
通过历史监测数据以及所述环境影响参数的历史数据对神经网络模型进行训练，得到预测模型；
获取环境影响参数的当前数据；
根据所述当前数据以及所述预测模型预测窗户的开关状态。
可选的，所述获取环境参数的历史数据，并确定影响窗户开关的环境影响参数，具体包括：
获取环境参数的历史数据；
对所述环境参数的历史数据进行筛选，得到影响窗户开关的环境影响参数。
可选的，所述通过历史监测数据以及所述环境影响参数的历史数据对神经网络模型进行训练，得到预测模型，具体包括：
提取所述环境影响参数的历史数据的特征向量，得到历史环境影响参数特征向量；
提取所述历史监测数据的特征向量，得到状态特征向量；
通过所述历史环境影响参数特征向量以及所述状态特征向量对神经网络模型进行训练，得到预测模型。
可选的，所述通过所述历史环境影响参数特征向量以及所述状态特征向量对神经网络模型进行训练，得到预测模型，具体包括：
通过所述历史环境影响参数特征向量以及神经网络模型预测窗户的开关状态，得到预测数据；
判断所述状态特征向量与预测数据的误差是否在阈值范围内；
若否，则调整所述神经网络模型的参数，使所述状态特征向量与预测数据的误差在阈值范围内，得到预测模型；
若是，则确定所述神经网络模型为预测模型。
本发明还提供了一种基于神经网络的窗户状态预测系统，所述系统包括：
监测模块，用于获取窗户开关状态的历史监测数据；
确定模块，用于获取环境参数的历史数据，并根据环境参数的历史数据确定影响窗户开关的环境影响参数；
训练模块，用于通过历史监测数据以及所述环境影响参数的历史数据对神经网络模型进行训练，得到预测模型；
获取模块，用于获取环境影响参数的当前数据；
预测模块，用于根据所述当前数据以及所述预测模型预测窗户的开关状态。
可选的，所述确定模块包括：
获取单元，用于获取环境参数的历史数据；
筛选单元，用于对所述环境参数的历史数据进行筛选，得到影响窗户开关的环境影响参数。
可选的，所述训练模块包括：
第一提取单元，用于提取所述环境影响参数的历史数据的特征向量，得到历史环境影响参数特征向量；
第二提取单元，用于提取所述历史监测数据的特征向量，得到状态特征向量；
训练单元，用于通过所述历史环境影响参数特征向量以及所述状态特征向量对神经网络模型进行训练，得到预测模型。
可选的，所述训练单元包括：
预测子单元，用于通过所述历史环境影响参数特征向量以及神经网络模型预测窗户的开关状态，得到预测数据；
判断子单元，用于判断所述状态特征向量与预测数据的误差是否在阈值范围内；
结果确定子单元，与所述判断子单元连接，用于当所述状态特征向量与预测数据的误差不在阈值范围内时，调整所述神经网络模型的参数，使所述状态特征向量与预测数据的误差在阈值范围内，得到预测模型；以及用于当所述状态特征向量与预测数据的误差在阈值范围内时，确定所述神经网络模型为预测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过状态监测数据以及所述历史数据对神经网络模型进行训练，得到预测模型；根据所述预测模型预测窗户的开关状态。由于预测开窗状态时需预测的值是离散值，采用机器学习中分类的方法能够极大的提高预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于神经网络的窗户状态预测方法的流程图；
图2为本发明在各训练样本量下的窗户状态预测结果图；
图3为本发明与传统逻辑回归方法在各训练样本量下窗户状态预测结果对比图；
图4为本发明实施例提供的一种基于神经网络的窗户状态预测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于神经网络的窗户状态预测方法及系统，用以提高窗户开关预测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，一种基于神经网络的窗户状态预测方法包括以下步骤：
步骤101：获取窗户开关状态的历史监测数据。
步骤102：获取环境参数的历史数据，并根据环境参数的历史数据确定影响窗户开关的环境影响参数。
具体的，获取环境参数的历史数据，获取对窗户状态可能有影响的环境监测数据，包括室内外温度、室外相对湿度、室外风速等。
对所述环境参数的历史数据进行筛选，得到影响窗户开关的环境影响参数。对获取可能影响窗户状态的环境参数的监测数据进行预处理，所述预处理包括筛除无关变量以及去重，即剔除对窗户状态无显著性影响的环境因素，以及剔除引起多重共线性的相应环境参数。
步骤103：通过历史监测数据以及所述环境影响参数的历史数据对神经网络模型进行训练，得到预测模型。
具体的，提取所述环境影响参数的历史数据的特征向量，得到历史环境影响参数特征向量；
提取所述历史监测数据的特征向量，得到状态特征向量；
通过所述历史环境影响参数特征向量以及所述状态特征向量对神经网络模型进行训练，得到预测模型。具体包括：
通过所述历史环境影响参数特征向量以及神经网络模型预测窗户的开关状态，得到预测数据；
判断所述状态特征向量与预测数据的误差是否在阈值范围内；
若否，则调整所述神经网络模型的参数，使所述状态特征向量与预测数据的误差在阈值范围内，得到预测模型；
若是，则确定所述神经网络模型为预测模型。
以窗户状态为单位，根据所述的该t维的环境影响参数特征向量，从窗
户状态信息中提取该窗户状态对应的t个状态特征向量。根据选择适合的特征参数，采用BP网络进行分类：建立合适的BP网络结构和设定合适的参数，使用训练组数据训练BP网络，达到要求设定要求后，使用预测组数据进行检验，分类的准确率即为对开窗行为预测的准确率
步骤104：获取环境影响参数的当前数据。
步骤105：根据所述当前数据以及所述预测模型预测窗户的开关状态。
由图2可以看出，对于本研究关于窗户状态预测的8次实验，BP模型对窗户状态预测的准确率基本维持在70％以上。逻辑回归建模对窗户状态预测的准确率基本维持在60％左右。由图3可以看出，相比于逻辑回归建模的准确率，对于本研究中的8次实验，BP模型用于窗户状态预测的准确率明显优于逻辑回归的准确率，提高的准确率基本也在10％左右。因此，总体来说，将BP模型用于预测窗户状态具有良好的适用性，并且相比于逻辑回归模型也表现出绝对的优越性。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过状态监测数据以及所述历史数据对神经网络模型进行训练，得到预测模型；根据所述预测模型预测窗户的开关状态。由于预测开窗状态时需预测的值是离散值，采用机器学习中分类的方法能够极大的提高预测的准确性。
如图4所示，本发明还提供了一种基于神经网络的窗户状态预测系统。所述系统包括：
监测模块401，用于获取窗户开关状态的历史监测数据。
确定模块402，用于获取环境参数的历史数据，并根据环境参数的历史数据确定影响窗户开关的环境影响参数。
所述确定模块402具体包括：
获取单元，用于获取环境参数的历史数据；
筛选单元，用于对所述环境参数的历史数据进行筛选，得到影响窗户开关的环境影响参数。
训练模块403，用于通过历史监测数据以及所述环境影响参数的历史数据对神经网络模型进行训练，得到预测模型。
所述训练模块404包括：
第一提取单元，用于提取所述环境影响参数的历史数据的特征向量，得到历史环境影响参数特征向量；
第二提取单元，用于提取所述历史监测数据的特征向量，得到状态特征向量
训练单元，用于通过所述历史环境影响参数特征向量以及所述状态特征向量对神经网络模型进行训练，得到预测模型。
所述训练单元包括：
预测子单元，用于通过所述历史环境影响参数特征向量以及神经网络模型预测窗户的开关状态，得到预测数据；
判断子单元，用于判断所述状态特征向量与预测数据的误差是否在阈值范围内；
结果确定子单元，与所述判断子单元连接，用于当所述状态特征向量与预测数据的误差不在阈值范围内时，调整所述神经网络模型的参数，使所述状态特征向量与预测数据的误差在阈值范围内，得到预测模型；以及用于当所述状态特征向量与预测数据的误差在阈值范围内时，确定所述神经网络模型为预测模型
获取模块404，用于获取环境影响参数的当前数据。
预测模块405，用于根据所述当前数据以及所述预测模型预测窗户的开关状态。
通过上述系统能够提高窗户状态预测的准确性。
可本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。