一种基于大数据的室内温度预测算法、系统及介质的制作方法

1.本发明涉及室内温度预测领域，特别是涉及一种基于大数据的室内温度预测算法、系统及介质。


背景技术：

2.随着供热企业对于节能降耗的迫切性越来越高，持续降低用户冷热不均现象是供热企业进行生产管理的较优选择，室内安装测温面板，实时读取热用户的室温，根据室温数据进行系统调整，但大量安装测温面板硬件成本巨大，设备耗电、维护更新和入户沟通困难，给热企造成了更多的负担。
3.通过研究发现，用户室温和多个因素有关，主要是换热站的供热运营生产数据，供热计量数据，气象数据，建筑物特性数据，利用多元线性回归算法把热企自身拥有的数据整合，通过大数据和人工智能算法分析，建立室温预测模型，得到预测的接近真实室温的结果，从而以室温软测量技术实现对硬件测温面板的替代。
4.通过实地收集得到供热计量和环境数据，用来对热用户居住的室内温度预测计算，利用多元线性回归方法建立大数据室温预测模型的算法，并建立室温预测值可视化的系统。


技术实现要素：

5.为了克服现有技术的不足，本发明提供一种基于大数据的室内温度预测算法、系统及介质，通过实地收集得到供热计量和环境数据，用来对热用户居住的室内温度预测计算，利用多元线性回归方法建立大数据室温预测模型的算法，并建立室温预测值可视化的系统。
6.为解决上述技术问题，本发明提供如下技术方案：一种基于大数据的室内温度预测算法，包括多元线性回归模型：所述多元线性回归模型的研究线性相关性条件下，两个及多个自变量对应一个因变量，称为多元线性回归，多元线性回归一般模型形式为：
7.y＝β0+β1x1+β2x2+β3x3+...+β
j
x
j
+...+β
k
x
k
+μ。
8.其中：β0为回归常数，β
j
(j＝1，2，...，k)为回归系数，μ为是随机误差。
9.由上式表示方程的矩阵表达式为：
10.y＝xβ+μ。
11.其中β的最小二乘估计值为：
[0012][0013]
所述得出后，即求得样本多元线性样本回归方程，多元线性回归模型得出后，还应对其进行检验，判定其可靠程度，回归模型的评价指标包括mse、rmse、mae和r squared即拟合优度检验。
[0014]
作为本发明的一种优选技术方案，
[0015]
一种基于大数据的室内温度预测介质，包括硬件和软件，所述硬件包括服务器为
主的物理介质，包括cpu、ram、硬盘及网卡类传统 it设备，所述软件包括传统的web软件线下安装方式以及云平台线上服务的方式。
[0016]
作为本发明的一种优选技术方案，所述mse为平均平方误差，是衡量平均误差的一种较方便的方法，mse可以评价数据的变化程度，mse的值越小，说明预测模型描述实验数据具有更好的精确度，数理统计中均方误差是指参数估计值与参数值之差平方的期望值即为mse。
[0017]
作为本发明的一种优选技术方案，所述rmse为平均根误差，也叫回归系统的拟合标准差，是观测值与真值偏差的平方和与观测次数m比值的平方根，是用来衡量观测值同真值之间的偏差，是mse的平方根。
[0018]
作为本发明的一种优选技术方案，所述mae为平均绝对误差，是所有单个观测值与算术平均值的偏差的绝对值的平均，平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际预测误差的大小，所述r squared具体为可决系数。
[0019]
作为本发明的一种优选技术方案，
[0020]
一种基于大数据的室内温度预测系统，包括客户端应用软件：所述客户端应用软件的输出端与数据录入模块的输入端电连接，所述数据录入模块的输出端分别与云平台和web软件的输入端电连接，所述web软件和云平台的输出端与模拟引擎单元的输入端电连接，所述模拟引擎单元的的输入端与云预测模拟引擎的和回归算法预测模型的输出端电连接，所述模拟引擎单元的的输出端与可视化展示模块的输入端电连接，所述可视化展示模块的输出端与终端服务器的输入端电连接。
[0021]
作为本发明的一种优选技术方案，所述数据录入模块包括供热计量数据、测温面板数据、建筑物特性数据、气象数据和收费系统数据整合，所述模拟引擎单元包含了神经网络模型及多元线性回归模型一体化的模拟方式。
[0022]
作为本发明的一种优选技术方案，所述mse的公式为：
[0023][0024]
作为本发明的一种优选技术方案，所述rmse的公式为：
[0025][0026]
作为本发明的一种优选技术方案，所述mae的公式为：
[0027][0028]
所述mse、rmse和maer检验公式中的m为观测次数。
[0029]
通过依托于多元线性回归模型的配合运算，同时配合web线下和云平台的配合，利用多元线性回归算法把热企自身拥有的数据整合独立运算，通过大数据和人工智能算法分析，建立室温预测模型，得到预测的接近真实室温的结果，从而以室温软测量技术做到实现对硬件测温面板的功能替代，以软件应用系统方式呈现出来，数据算法模型为核心，终端热用户的多种数据源为依托，建立一套室温信息预测和实时室温展示的系统，提供供热计量、室温数据历史查询与分析，建立大数据室温预测模型的算法，实现室温预测值可视化。
附图说明
[0030]
图1为本发明系统的结构示意图；
[0031]
图2为本发明多元线性回归模型室温预测值折线示意图。
[0032]
其中：1客户端应用软件、2数据录入模块、3 web软件、4云平台、5模拟引擎单元、6云预测模拟引擎、7回归算法预测模型、8可视化展示模块、9终端服务器。
具体实施方式
[0033]
为了使本发明实现的技术手段；创作特征；达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。下述实施例中的实验方法，如无特殊说明，均为常规方法，下述实施例中所用的材料；试剂等，如无特殊说明，均可从商业途径得到。
[0034]
实施例
[0035]
如图1
‑
2所示，本发明提供一种基于大数据的室内温度预测算法，包括多元线性回归模型和神经网络模型：多元线性回归模型的研究线性相关性条件下，两个及多个自变量对应一个因变量，称为多元线性回归，多元线性回归一般模型形式为：
[0036]
y＝β0+β1x1+β2x2+β3x3+...+β
j
x
j
+...+β
k
x
k
+μ。
[0037]
其中：β0为回归常数，β
j
(j＝1，2，...，k)为回归系数，μ为是随机误差。
[0038]
由上式表示方程的矩阵表达式为：
[0039]
y＝xβ+μ。
[0040]
其中β的最小二乘估计值为：
[0041][0042]
参数得出后，即求得样本多元线性样本回归方程，多元线性回归模型得出后，还应对其进行检验，判定其可靠程度，回归模型的评价指标包括mse、rmse、mae和r squared即拟合优度检验。
[0043]
一种基于大数据的室内温度预测介质，包括硬件和软件，硬件包括服务器为主的物理介质，包括cpu、ram、硬盘及网卡类传统it设备，软件包括传统的web软件3线下安装方式以及云平台4线上服务的方式。
[0044]
一种基于大数据的室内温度预测系统，包括客户端应用软件1：客户端应用软件1的输出端与数据录入模块2的输入端电连接，数据录入模块2的输出端分别与云平台4和web软件3的输入端电连接， web软件3和云平台4的输出端与模拟引擎单元5的输入端电连接，模拟引擎单元5的的输入端与云预测模拟引擎6的和回归算法预测模型7的输出端电连接，模拟引擎单元5的的输出端与可视化展示模块 8的输入端电连接，可视化展示模块8的输出端与终端服务器9的输入端电连接。
[0045]
mse为平均平方误差，是衡量平均误差的一种较方便的方法， mse可以评价数据的变化程度，mse的值越小，说明预测模型描述实验数据具有更好的精确度，数理统计中均方误差是指参数估计值与参数值之差平方的期望值即为mse，rmse为平均根误差，也叫回归系统的拟合标准差，是观测值与真值偏差的平方和与观测次数m比值的平方根，是用来衡量观
测值同真值之间的偏差，是mse的平方根， mae为平均绝对误差，是所有单个观测值与算术平均值的偏差的绝对值的平均，平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际预测误差的大小。
[0046]
数据录入模块2包括供热计量数据、测温面板数据、建筑物特性数据、气象数据和收费系统数据整合，模拟引擎单元5包含了神经网络模型及多元线性回归模型一体化的模拟方式，
[0047]
mse的公式为：
[0048][0049]
rmse的公式为：
[0050][0051]
mae的公式为：
[0052][0053]
其中：m为观测次数。
[0054]
根据实施例得出下表：
[0055]
多元线性回归指标分析表
[0056][0057]
通过数据的分析处理由上表中的数值可知：上表中rmse和 mae较小，r2＝0.19，表明该模型的拟合优度较高。
[0058]
综上可知，本发明：通过依托于多元线性回归模型的配合运算，同时配合web线下和云平台4的配合，利用多元线性回归算法把热企自身拥有的数据整合独立运算并对比，通过大数据和人工智能算法分析，建立室温预测模型，得到预测的接近真实室温的结果。
[0059]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0060]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。