一种个人热舒适预测方法及系统

计算;推算;计数设备的制造及其应用技术1.本发明涉及一种个人热舒适预测方法及系统，属于人工智能与建筑能量管理交叉技术领域。背景技术：2.建筑能耗占一个国家能耗的比例约为30％-40％。在建筑能耗中，暖通空调系统的能耗占40％左右。其中：暖通空调系统的目的是为室内用户创造舒适、健康的空间，进而提升用户工作效率、生活质量等；然而，目前大多数暖通空调系统的运行采用开环模式，即用户热舒适状态不在整个暖通空调系统的控制闭环中；理想的情况是暖通空调系统能够实时感知用户热舒适程度并动态调节自身温度设置点，进而实现热舒适性的提升和能源浪费的降低。3.为了应对这些挑战，现有研究提出了许多热舒适建模方法；传统的热舒适模型，如预测平均投票(predicted mean vote,pmv)模型和自适应模型已被广泛采用；虽然这些模型具有一定的优势，但依然存在如下不足：(1)实现pmv模型需要知晓全部输入变量，而获取部分变量的值较为困难或代价较高；(2)由于这些模型本身是用来预测群体的平均热舒适度，即使能准确获得所有输入变量的值，这些模型应用到个体时依然表现出较差的预测性能；(3)这些模型不能通过学习调整自身，无法基于用户反馈和新环境下的现场收集数据对模型参数进行更新；(4)这些模型不允许修改各自输入变量集合，不能纳入可能与用户热舒适相关联的其他变量，进而降低了提升预测精度的潜力。4.随着物联网穿戴设备的出现、云计算的引入和机器学习的快速发展，热舒适建模的发展进入了一个新的阶段；具体而言，穿戴设备在跟踪用户个人生理信号(如代谢率、心跳次数和皮肤温度)上带来了极大的便利，这些个人生理信号可以帮助实现在线个人热舒适建模；云计算、深度学习对收集到的个人生理数据进行处理，对获取用户个人热舒适反馈数据提供了帮助；基于上述技术，许多个人热舒适建模的方法被提出，具体包括：逻辑回归(logistic regression)、朴素贝叶斯(naive bayes)、k近邻(k-nearest neighbor)、决策树(decision tree)、支持向量机(support vector classification)等；这些基于机器学习的个人热舒适模型具有“自学习”和“自校正”的功能，相比较传统的热舒适模型(pmv模型、自适应模型)在预测精度上有所提升，但仍存在一些不足：(1)需要在建模前获得大量数据，不符合实际应用场景；(2)更新模型以适应个体热舒适偏好随环境动态变化的时间和空间复杂度较高。技术实现要素：5.本发明的目的在于提供一种个人热舒适预测方法及系统，支持小样本学习，具有较强的实用性，计算复杂度低，提高预测精度。6.为实现以上目的，本发明是采用下述技术方案实现的：7.第一方面，本发明提供了一种个人热舒适预测方法，包括：8.获取环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据并将其划分成支撑集和查询集；9.将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级；10.所述深度神经网络进行训练的方法包括：11.获取支撑集和查询集的数据；12.将支撑集和查询集的数据输入到深度神经网络中的嵌入模块，得到类特征映射和查询特征映射；13.将类特征映射和查询特征映射输入到深度神经网络中的交叉注意力模块，得到类特征对和查询特征对；14.将类特征对和查询特征对输入到深度神经网络中的分类模块，得到个人热舒适等级，并更新深度神经网络；15.重复上述所有步骤直至收敛，完成训练。16.结合第一方面，进一步的，将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级，包括：17.将支撑集和查询集的数据输入到预训练好的深度神经网络中的嵌入模块中，得到类特征映射和查询特征映射。18.结合第一方面，进一步的，将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级，包括：19.将类特征映射和查询特征映射输入到预训练好的深度神经网络中的交叉注意力模块，得到类特征对和查询特征对，计算公式包括：[0020][0021][0022][0023]其中，rij是相关映射在第i行第j列的元素，rp是类相关映射，rq是查询相关映射，pi是类特征映射中第i个空间位置的局部类特征向量，qj是查询特征映射中第j个空间位置的局部查询特征向量，||pi||2是pi的欧几里得范数，||qj||2是qj的欧几里得范数，t表示转置，m是两个特征映射的总空间位置，分别表示各局部类特征向量与所有局部查询特征向量之间的相关性，分别表示各局部查询特征向量与所有局部类特征向量之间的相关性；[0024][0025][0026]wp＝w2(σ(w1(gap(rp))))[0027]wq＝w2(σ(w1(gap(rq))))[0028]其中，是第i个位置的类注意，是第i个位置的查询注意，wp是利用类相关映射计算得到的第一核函数，wq是利用查询相关映射计算得到的第二核函数，t表示转置，riq表示局部类特征向量pi与所有局部查询特征向量之间的相关性，riq表示局部查询特征向量qi与所有局部类特征向量之间的相关性，t表示温度超参数，σ是激活函数，gap表示全局平均池化操作，w1和w2是元学习器的参数；[0029][0030][0031]其中，是类特征对，pk是类特征映射，是查询特征对，qb是查询特征映射，ap是类注意，aq是查询注意。[0032]结合第一方面，进一步的，将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级，包括：[0033]将类特征对和查询特征对输入到深度神经网络中的分类模块，得到查询特征的预测值，从而得到与所述预测值一一对应的个人热舒适等级，计算公式包括：[0034][0035]其中，是查询特征的预测值，表示获取两个特征之间的余弦距离取最小值时k的取值，是类特征对，是查询特征对，gap表示全局平均池化操作。[0036]结合第一方面，进一步的，更新深度神经网络的方法为梯度下降法。[0037]结合第一方面，进一步的，利用梯度下降法更新深度神经网络时总分类损失的计算公式为：[0038]l＝λl1+l2[0039]其中，l是总损失，λ是平衡不同损失影响的权重因子，l1是最近邻分类器损失，l2是全局分类器损失。[0040]结合第一方面，进一步的，所述最近邻分类器损失的计算公式为：[0041][0042]其中，l1是最近邻分类器损失，是最近邻分类器将局部查询特征预测为第类的概率，nq是查询集的样本个数，m表示总类数。[0043]结合第一方面，进一步的，所述全局分类器损失的计算公式为：[0044][0045]其中，l2是全局分类器损失，nq是查询集的样本个数，m表示总类数，是局部查询特征的分类概率向量，表示查询集样本的真正全局类。[0046]第二方面，本发明还提供了一种个人热舒适预测系统，包括：[0047]数据获取模块：用于获取环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据并将其划分成支撑集和查询集；[0048]热舒适等级预测模块：用于将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级。[0049]与现有技术相比，本发明所达到的有益效果是：[0050]本发明提供的一种个人热舒适预测方法及系统，结合环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据，个人热舒适反馈数据由不同离散等级的热满意程度表示，该数据具有稀疏性，即用户热反馈次数较少，故本发明方案支持小样本学习，无需大量的个人热舒适反馈数据，具有较强的实用性；将所有获取到的数据划分成支撑集和查询集后输入到预训练好的深度神经网络中，在预训练的过程中只需要一次或少量几次的更新即可实现样本的学习，因而具有低计算复杂度的优点，且能够支持动态环境下的模型更新；通过上述方案，本发明能够达到更高的预测精度。附图说明[0051]图1是本发明实施例提供的一种个人热舒适预测方法的流程图之一；[0052]图2是本发明实施例提供的一种个人热舒适预测方法的流程图之二；[0053]图3是本发明实施例提供的本发明方法和其他方法的预测精度及平均绝对误差的对比图之一；[0054]图4是本发明实施例提供的本发明方法和其他方法的预测精度及平均绝对误差的对比图之二；[0055]图5是本发明实施例提供的本发明方法和其他方法的预测精度及平均绝对误差的对比图之三；[0056]图6是本发明实施例提供的本发明方法在环境发生动态变化前后的预测精度及平均绝对误差的对比图。具体实施方式[0057]下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。[0058]实施例1[0059]如图1和图2所示，本发明实施例提供的一种个人热舒适预测方法，包括：[0060]s1、获取环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据并将其划分成支撑集和查询集。[0061]环境数据包括平均室内温度(℃)和平均相对湿度(％)。[0062]个人生理数据包括年龄、性别(1：男；2：女)、身高(cm)、体重(kg)、代谢率(met)、服装隔热性、每分钟心跳次数(bpm)及皮肤温度(℃)。[0063]面部热成像体现了参与者的面部温度变化；具体而言，温度越低，面部轮廓越清晰且颜色偏紫，反之面部轮廓越模糊且颜色偏黄。[0064]个人热舒适反馈数据由不同离散等级的热满意程度表示，具体表现为参与者的实际热舒适程度，由1至7七个阿拉伯数字表示，分别对应热、暖、稍暖、中性、稍凉、凉、冷七个热舒适等级。[0065]个人热舒适反馈数据具有稀疏性，即用户热舒适反馈次数较少；具体而言，单个用户的个人热舒适反馈数据仅有七十组，每个热舒适等级下各有十组数据。[0066]将获取到的环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据划分成支撑集和查询集。[0067]s2、将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级。[0068]本实施例中的深度神经网络包括嵌入模块、交叉注意力模块和分类模块。[0069]本实施例中的深度神经网络预先进行过训练，训练的方法如下：[0070]获取支撑集和查询集的数据；[0071]将支撑集和查询集的数据输入到深度神经网络中的嵌入模块，得到类特征映射和查询特征映射；[0072]将类特征映射和查询特征映射输入到深度神经网络中的交叉注意力模块，得到类特征对和查询特征对；[0073]将类特征对和查询特征对输入到深度神经网络中的分类模块，得到个人热舒适等级，并通过梯度下降法更新深度神经网络；[0074]重复上述所有步骤直至收敛，完成训练。[0075]将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级。[0076]将支撑集和查询集的数据输入到预训练好的深度神经网络中的嵌入模块，嵌入模块由五个级联的卷积层组成，这些卷积层将输入的支撑集和查询集的数据重塑为类特征映射pk和查询特征映射qb。[0077]交叉注意力模块由相关层和元融合层组成。[0078]相关层利用余弦距离计算了类特征映射与查询特征映射之间的语义相关性，得到了类相关映射和查询相关映射，计算公式为：[0079][0080][0081][0082]其中，rij是相关映射在第i行第j列的元素，rp是类相关映射，rq是查询相关映射，pi是类特征映射中第i个空间位置的局部类特征向量，qj是查询特征映射中第j个空间位置的局部查询特征向量，||pi||2是pi的欧几里得范数，||qj||2是qj的欧几里得范数，t表示转置，m是两个特征映射的总空间位置，分别表示各局部类特征向量与所有局部查询特征向量之间的相关性，分别表示各局部查询特征向量与所有局部类特征向量之间的相关性。[0083]元融合层将类相关映射和查询相关映射作为输入，通过进行卷积运算将类相关映射和查询相关映射的每个局部特征向量融合成一个注意力标量；然后使用softmax函数对注意力标量进行归一化，从而获得第i个位置的类注意和查询注意，计算公式为：[0084][0085][0086]wp＝w2(σ(w1(gap(rp))))[0087]wq＝w2(σ(w1(gap(rq))))[0088]其中，是第i个位置的类注意，是第i个位置的查询注意，wp是利用类相关映射计算得到的第一核函数，wq是利用查询相关映射计算得到的第二核函数，t表示转置，riq表示局部类特征向量pi与所有局部查询特征向量之间的相关性，riq表示局部查询特征向量qi与所有局部类特征向量之间的相关性，t表示温度超参数，σ是激活函数，gap表示全局平均池化操作，w1和w2是元学习器的参数。[0089]最后，将初始的类特征映射、查询特征映射与类注意、查询注意进行元素加权，获得类特征对和查询特征对计算公式为：[0090][0091][0092]其中，是类特征对，pk是类特征映射，是查询特征对，qb是查询特征映射，ap是类注意，aq是查询注意。[0093]分类模块由最近邻分类器和全局分类器组成。[0094]最近邻分类器根据预定义的相似性度量将查询集的样本分类为c个支持类，该分类器预测局部查询特征为第k类的概率为：[0095][0096]其中，表示查询特征对在第i个空间位置的特征向量，表示查询特征对在第i个空间位置的特征向量与全局平均池化后平均类特征之间的余弦距离；计算得到余弦距离后使用softmax函数对上述余弦距离进行归一化得到预测局部查询特征为第k类的概率。[0097]全局分类器使用一个完全连接层和一个softmax层对每一个查询集的样本进行分类，每个局部查询特征的分类概率向量的计算公式为：[0098][0099]其中，wc是完全连接层的权重，表示查询特征对在第i个空间位置的特征向量，softmax将多个标量映射为一个概率分布，为查询集样本的真实标签值。[0100]最后，通过在余弦距离度量下找到最近的平均类特征来预测查询集样本的标签，得到查询特征的预测值，从而得到与所述预测值一一对应的个人热舒适等级，查询特征的预测值的计算公式为：[0101][0102]其中，是查询特征的预测值，表示获取两个特征之间的余弦距离取最小值时k的取值，k∈[-3，3]，是类特征对，是查询特征对，gap表示全局平均池化操作。[0103]利用梯度下降法更新深度神经网络的权重时总分类损失的计算公式为：[0104]l＝λl1+l2[0105]其中，l是总损失，λ是平衡不同损失影响的权重因子，l1是最近邻分类器损失，l2是全局分类器损失。[0106]最近邻分类器损失的计算公式为：[0107][0108]其中，l1是最近邻分类器损失，是最近邻分类器将局部查询特征预测为第类的概率，nq是查询集的样本个数，m表示总类数。[0109]全局分类器损失的计算公式为：[0110][0111]其中，l2是全局分类器损失，nq是查询集的样本个数，m表示总类数，是局部查询特征的分类概率向量，表示查询集样本的真正全局类。[0112]为了展现本发明方法的有效性，在本实施例中还引入了其他方法和其进行对比，具体而言，七种对比方法分别为预测平均投票、高斯朴素贝叶斯、k近邻、决策树、支持向量机分类、逻辑回归、随机森林。[0113]图3至图5分别展示了在三个用户身上进行试验得到的本发明方法和其他方法的预测精度及平均绝对误差的对比图，平均绝对误差表示目标预测值和目标真实值之间绝对误差的平均值，其计算公式为：[0114][0115]其中，n表示目标值的个数，是第i个目标预测值，y是第i个目标真实值。[0116]图3至图5中的每组结果都是进行了十次随机试验后的平均值，从图中可以看出，针对不同的用户，预测精度和平均绝对误差会有所不同，但值得注意的是，即使是针对不同用户，本发明方法的预测精度仍是所有方法中最高的，在三个用户身上的预测精度分别是92.85％、72.85％和70.00％，且本发明方法的平均绝对误差也是所有方法中最低的，在三个用户身上分别是0.121、0.571和0.613。[0117]图6中(a)展示了本发明方法在环境发生动态变化前后预测精度的变化情况，图6中(b)展示了本发明方法在环境发生动态变化前后平均绝对误差的变化情况，该结果同样是进行了十次随机试验后的平均值；由图可知，本发明方法的预测精度和平均绝对误差在环境发生动态变化前后基本持平，预测精度仅有4.28％的差距，平均绝对误差仅有0.028的差距；说明了本发明方法具备兼容性，能够很好的适应环境的动态变化。[0118]实施例2[0119]本发明实施例提供的一种个人热舒适预测系统，包括：[0120]数据获取模块：用于获取环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据并将其划分成支撑集和查询集；[0121]热舒适等级预测模块：用于将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级。[0122]本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0123]本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0124]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0125]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0126]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!