孫齊鳴 莊大偉 曹昊敏 丁國良△ 戚文端 邵艷坡 鄭 雄 張 浩

(1.上海交通大學(xué),上海;2.廣東美的制冷設(shè)備有限公司,順德)

0 引言

隨著我國經(jīng)濟(jì)發(fā)展水平的提高,人們對建筑室內(nèi)環(huán)境的熱舒適性要求也越來越高[1]。在不同的環(huán)境條件下,空調(diào)器滿足用戶熱舒適性要求的設(shè)定參數(shù)是不一樣的。在環(huán)境條件變化時,用戶為了滿足舒適性,不得不相應(yīng)地調(diào)整設(shè)定參數(shù),這會給用戶帶來不便。而根據(jù)用戶偏好自動化調(diào)整空調(diào)設(shè)定參數(shù)的方法可以免去用戶的操作。

現(xiàn)有的空調(diào)器自動化程度較低,需用戶手動輸入指令或定義設(shè)定參數(shù),不具備根據(jù)用戶偏好自動化調(diào)整空調(diào)設(shè)定參數(shù)的功能。為了自動化設(shè)定空調(diào)參數(shù),需要對設(shè)定參數(shù)的變化規(guī)律進(jìn)行分析,這要求對空調(diào)運(yùn)行的歷史設(shè)定數(shù)據(jù)進(jìn)行學(xué)習(xí)。目前有關(guān)空調(diào)設(shè)定數(shù)據(jù)的研究涉及到大量的數(shù)據(jù)計(jì)算與分析,均需借助計(jì)算機(jī)的快速計(jì)算能力[2-4]。例如Zhou等人在高性能計(jì)算機(jī)上對收集的房間內(nèi)環(huán)境參數(shù)數(shù)據(jù)進(jìn)行學(xué)習(xí)與分析,并以此識別了空調(diào)器的運(yùn)行模式[2]。Zhao等人在計(jì)算機(jī)上運(yùn)用神經(jīng)網(wǎng)路模型對房間內(nèi)環(huán)境參數(shù)進(jìn)行了分析,實(shí)現(xiàn)了對空調(diào)能耗的準(zhǔn)確預(yù)測[4]。而目前空調(diào)器單片機(jī)的存儲器寬度多為16位,處理能力不足,僅依靠空調(diào)器單片機(jī)無法完成學(xué)習(xí)和預(yù)測設(shè)定參數(shù)的任務(wù)[5-7]。

快速發(fā)展的云計(jì)算技術(shù)為分析處理大量數(shù)據(jù)提供了便捷的解決方法[8-9]。例如謝宜鑫使用云計(jì)算技術(shù)對空調(diào)能耗數(shù)據(jù)進(jìn)行挖掘,從而實(shí)現(xiàn)空調(diào)能耗模式的預(yù)測[10]。如果將復(fù)雜的計(jì)算分析任務(wù)放在空調(diào)企業(yè)云端服務(wù)器上,空調(diào)器單片機(jī)則可以節(jié)省出空間執(zhí)行其常規(guī)任務(wù)。

為了能夠?qū)崿F(xiàn)空調(diào)器運(yùn)行中參數(shù)的自動設(shè)定,本文擬基于云端學(xué)習(xí)與空調(diào)器本地計(jì)算相結(jié)合的思路,實(shí)現(xiàn)對于空調(diào)器運(yùn)行中控制參數(shù)用戶偏好的預(yù)測。

1 技術(shù)路線

針對空調(diào)器單片機(jī)計(jì)算能力不足導(dǎo)致無法自動化預(yù)測設(shè)定參數(shù)的問題,本文提出云端學(xué)習(xí)與空調(diào)器本地計(jì)算相結(jié)合的技術(shù)路線,如圖1所示。具體的做法是:在高計(jì)算能力的云端服務(wù)器上建立學(xué)習(xí)算法,用于解決復(fù)雜的數(shù)據(jù)分析和模型建立的任務(wù);云端服務(wù)器將建立好的模型轉(zhuǎn)化為可供空調(diào)器單片機(jī)識別的多維矩陣格式;而在僅可執(zhí)行簡單命令的本地單片機(jī)上建立預(yù)測方法,用于識別云端服務(wù)器生成的多維矩陣;單片機(jī)下載包含關(guān)系模型信息的多維矩陣后即可計(jì)算出用戶設(shè)定參數(shù)的預(yù)測值。

圖1 空調(diào)云端服務(wù)器與本地單片機(jī)的交互流程圖

在上述方案中,需要解決的是“云端服務(wù)器上學(xué)習(xí)算法的開發(fā)”和“本地單片機(jī)上預(yù)測方法的開發(fā)”問題。云端學(xué)習(xí)算法的開發(fā),包括建立環(huán)境參數(shù)與用戶設(shè)定參數(shù)之間的關(guān)系模型,以及針對用戶高頻調(diào)節(jié)時關(guān)系模型的動態(tài)修正方法。本地預(yù)測方法的開發(fā)包括關(guān)系模型的讀取,關(guān)系模型向多維插值矩陣的轉(zhuǎn)化,以及多維插值矩陣預(yù)測值的計(jì)算。

云端學(xué)習(xí)算法和本地預(yù)測方法在實(shí)際應(yīng)用過程中需要保證可靠性和準(zhǔn)確率。為了驗(yàn)證二者的可靠性與準(zhǔn)確率,本文基于用戶歷史操作數(shù)據(jù)分別對算法和方法進(jìn)行交叉驗(yàn)證和測試驗(yàn)證,操作數(shù)據(jù)中的一部分用于驗(yàn)證云端服務(wù)器上開發(fā)的學(xué)習(xí)算法的可靠性,剩余的用于驗(yàn)證本地單片機(jī)上建立的預(yù)測方法的準(zhǔn)確率。

2 云端學(xué)習(xí)算法

2.1 數(shù)據(jù)預(yù)處理

開發(fā)云端學(xué)習(xí)算法需要對用戶的歷史操作數(shù)據(jù)進(jìn)行分析與學(xué)習(xí),而分析與學(xué)習(xí)的效果取決于數(shù)據(jù)的質(zhì)量。由于數(shù)據(jù)采集過程中的硬件失效或人為誤導(dǎo)等因素,采集到的數(shù)據(jù)可能混有噪聲數(shù)據(jù);又由于用戶偏好設(shè)定參數(shù)集中于某一區(qū)間,使用數(shù)據(jù)中存在著不平衡的問題。這2個問題會降低數(shù)據(jù)整體的質(zhì)量,對分析過程中的精度和性能影響極大[11-12]。而噪聲數(shù)據(jù)消除和數(shù)據(jù)重采樣的方法可以分別解決這2個問題。

噪聲數(shù)據(jù)消除旨在對數(shù)據(jù)中的錯誤值和離群值進(jìn)行消除?？照{(diào)器的運(yùn)行數(shù)據(jù)主要包括時間、型號、環(huán)境溫濕度、設(shè)定參數(shù)、各項(xiàng)功能啟停狀態(tài)、各部件的運(yùn)行參數(shù)等?？照{(diào)器每隔15 min自動監(jiān)測、記錄1次運(yùn)行參數(shù),當(dāng)用戶通過遙控或其他方式調(diào)整設(shè)定參數(shù)或運(yùn)行模式時,空調(diào)器也會自動記錄該次調(diào)整數(shù)據(jù)。因?yàn)閿嗑W(wǎng)、機(jī)器故障或人為操作等原因,空調(diào)器會產(chǎn)生不合要求的噪聲數(shù)據(jù)。本文通過對相關(guān)參數(shù)進(jìn)行約束來刪除噪聲數(shù)據(jù),并通過對非數(shù)值格式的數(shù)據(jù)賦予數(shù)字標(biāo)簽的方式來對數(shù)據(jù)進(jìn)行格式轉(zhuǎn)化,從而能夠篩選出有效的數(shù)據(jù)集。

數(shù)據(jù)重采樣旨在解決數(shù)據(jù)集中存在的不平衡問題。用戶設(shè)定偏好預(yù)測包括對空調(diào)器設(shè)定溫度和設(shè)定風(fēng)速的預(yù)測,而用戶的偏好設(shè)定溫度和風(fēng)速多集中于某一固定區(qū)間,存在著明顯的不平衡現(xiàn)象。為了防止模型訓(xùn)練出的結(jié)果出現(xiàn)失衡問題,本文對數(shù)據(jù)集進(jìn)行了樣本重采樣,即在用戶設(shè)定頻次較少的數(shù)據(jù)集附近插入調(diào)和后的新數(shù)據(jù)點(diǎn),使設(shè)定頻次較少的數(shù)據(jù)集的數(shù)量擴(kuò)充至高頻設(shè)定數(shù)據(jù)集的數(shù)量。以上海地區(qū)10戶用戶夏季的使用情況為例,用戶設(shè)定溫度和設(shè)定風(fēng)速的頻數(shù)分別如圖2a、b所示。用戶設(shè)定溫度偏好集中在24～28 ℃的區(qū)間內(nèi),出現(xiàn)64 344次,占據(jù)總頻次的93.2%;而用戶設(shè)定風(fēng)速偏好多為自動風(fēng),出現(xiàn)54 723次,占據(jù)總頻次的84.1%。

圖2 上海地區(qū)10戶用戶的總體設(shè)定偏好

以上海地區(qū)10戶用戶的原始數(shù)據(jù)為例,經(jīng)過數(shù)據(jù)重采樣后,用戶低頻設(shè)定的數(shù)據(jù)量與高頻設(shè)定的數(shù)據(jù)量持平。具體數(shù)據(jù)的對比結(jié)果如表1所示。

表1 上海地區(qū)10戶用戶數(shù)據(jù)重采樣前后對比

2.2 算法模型的建立

為了實(shí)現(xiàn)對用戶設(shè)定溫度和風(fēng)速偏好的預(yù)測,需要對使用數(shù)據(jù)中自變量與因變量的關(guān)系進(jìn)行分析并建立預(yù)測模型,而快速發(fā)展的機(jī)器學(xué)習(xí)算法為找出變量間相互關(guān)系提供了有效的解決手段[13]。梯度提升算法(light gradient boosting machine,LightGBM)[14]具有快速性、高精度、內(nèi)存消耗低的優(yōu)點(diǎn),且處理大批量數(shù)據(jù)的效果好,可以高效學(xué)習(xí)與分析用戶歷史操作數(shù)據(jù)。該算法學(xué)習(xí)輸入自變量和因變量之間的關(guān)系,將自變量與因變量之間的關(guān)系儲存在算法模型之中。

模型的輸入?yún)?shù)為月份、日期、小時數(shù)、分鐘數(shù)、室內(nèi)環(huán)境溫度、冷凝器出口溫度、蒸發(fā)器出口溫度、室外環(huán)境溫度、室內(nèi)濕度、設(shè)定溫度變化量和設(shè)定風(fēng)速變化量,這些不同輸入?yún)?shù)統(tǒng)稱為數(shù)據(jù)特征;模型的輸出參數(shù)為用戶設(shè)定溫度和用戶設(shè)定風(fēng)速。為了降低算法的消耗并提高算法適用性,需要尋找到與用戶設(shè)定參數(shù)(設(shè)定溫度和設(shè)定風(fēng)速)關(guān)聯(lián)性較強(qiáng)的數(shù)據(jù)特征。本文使用遞歸式特征消除的方法對空調(diào)運(yùn)行數(shù)據(jù)進(jìn)行篩選,遞歸地分析特征集來選擇與目標(biāo)值關(guān)聯(lián)性最強(qiáng)的數(shù)據(jù)特征,并用特征重要度來反映與目標(biāo)值的關(guān)聯(lián)性強(qiáng)弱[15]。

對各個用戶數(shù)據(jù)集進(jìn)行遞歸式特征消除后,得到了數(shù)據(jù)特征的重要度排序,如圖3所示。本文為了降低插值矩陣的維度,使之能儲存于空調(diào)器單片機(jī)上,選取4條排序靠前的特征量作為算法模型的輸入,即室內(nèi)環(huán)境溫度、室外環(huán)境溫度、分鐘數(shù)和室內(nèi)濕度。用戶設(shè)定溫度和風(fēng)速作為算法模型的輸出。

圖3 遞歸式特征消除后的數(shù)據(jù)特征重要度排序

2.3 算法模型的修正

建立的算法模型學(xué)習(xí)了用戶的歷史使用習(xí)慣,但此模型不會隨著用戶的使用而更新。隨著使用時間的延長,模型預(yù)測的設(shè)置參數(shù)可能會偏離近期用戶的使用偏好,為此需要對模型進(jìn)行修正,使用戶在長期使用過程中仍能給出高準(zhǔn)確率的預(yù)測值。本文提出將該模型修正為短期頻繁訓(xùn)練的動態(tài)模型的方法。

此動態(tài)模型的更新周期可以由用戶設(shè)定,確保捕捉用戶近期的使用習(xí)慣,具體的訓(xùn)練過程如圖4所示。首先基于歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練,經(jīng)過一個周期后,空調(diào)器所記錄的新的操作數(shù)據(jù)將被添加到訓(xùn)練數(shù)據(jù)集中,模型被重新訓(xùn)練并用于下一周期的用戶偏好預(yù)測。隨著使用時間的延長和訓(xùn)練次數(shù)的增加,動態(tài)模型給出的預(yù)測值會更加符合用戶的使用習(xí)慣。

圖4 動態(tài)模型更新方法示意圖

3 本地預(yù)測方法

3.1 多維插值矩陣的建立

云端服務(wù)器協(xié)助空調(diào)器本地進(jìn)行設(shè)定參數(shù)預(yù)測的主要過程為:云端服務(wù)器接收空調(diào)運(yùn)行參數(shù),經(jīng)過修正后的動態(tài)模型學(xué)習(xí)與訓(xùn)練后,將輸出的用戶設(shè)定參數(shù)作為目標(biāo)值下達(dá)給空調(diào)器單片機(jī),單片機(jī)再結(jié)合控制策略調(diào)節(jié)空調(diào)器各部件。而空調(diào)器單片機(jī)存在算力不足和斷網(wǎng)時無法接收云端數(shù)據(jù)的問題。本文提出多維矩陣插值的方法用于識別云端指令并下達(dá)指令給單片機(jī),以解決單片機(jī)存在的算力不足和斷網(wǎng)時無法接收云端數(shù)據(jù)的問題。

本地多維矩陣用于插值預(yù)測方法的示意圖見圖5。首先,云端算法在對空調(diào)運(yùn)行歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)后,會得到輸入輸出變量之間關(guān)系的數(shù)學(xué)模型;隨后,根據(jù)輸入自變量的特征值數(shù)目確定插值矩陣的維度,對每個特征按指定間隔進(jìn)行劃分后再組合,并在插值矩陣中儲存不同特征維度組合下的設(shè)定參數(shù)。每次有新數(shù)據(jù)上傳至云端時,云端算法都會對模型進(jìn)行一次修正并更新插值矩陣?？照{(diào)器單片機(jī)便從云端下載更新完成后的插值矩陣。

圖5 多維矩陣插值預(yù)測方法示意圖

3.2 插值矩陣查詢方法

矩陣查詢方法被編寫入空調(diào)器本地的單片機(jī)上,以三維插值矩陣預(yù)測方法為例,如圖6所示,室內(nèi)溫度、室外溫度和時間3個特征屬性作為x、y、z坐標(biāo),實(shí)際工況點(diǎn)與其相鄰節(jié)點(diǎn)的坐標(biāo)的歐氏距離di為

圖6 插值矩陣方法示意圖

(1)

式中i為三維矩陣下實(shí)際工況點(diǎn)的相鄰節(jié)點(diǎn)的序號;x0、y0、z0分別為實(shí)際工況點(diǎn)的三維特征參數(shù),即對應(yīng)室內(nèi)溫度、室外溫度和時間;xi、yi、zi分別為第i個相鄰節(jié)點(diǎn)的三維特征參數(shù)。

為了確定預(yù)測推薦值,需分析實(shí)際工況點(diǎn)與相鄰參考工況點(diǎn)的關(guān)系,在考慮計(jì)算負(fù)荷和預(yù)測準(zhǔn)確度的前提下,本文提出了8點(diǎn)加權(quán)平均法則。根據(jù)實(shí)際工況點(diǎn)與相鄰節(jié)點(diǎn)的歐氏距離的倒數(shù)對節(jié)點(diǎn)的設(shè)定參數(shù)做加權(quán),與實(shí)際工況點(diǎn)距離越近的節(jié)點(diǎn),其權(quán)重越高。加權(quán)后得到的設(shè)定參數(shù)即作為本地模型的預(yù)測值y,可由下式給出:

(2)

式中pi為儲存在插值矩陣上的第i個相鄰節(jié)點(diǎn)的設(shè)定參數(shù)。

空調(diào)器本地單片機(jī)讀取運(yùn)行數(shù)據(jù)后,定期上傳至云端服務(wù)器,由云端學(xué)習(xí)算法根據(jù)最新數(shù)據(jù)來訓(xùn)練模型,并定期更新插值矩陣,再由空調(diào)器本地下載該矩陣,最后根據(jù)矩陣查詢方法得到用戶設(shè)定參數(shù)的預(yù)測值。

4 云端與本地預(yù)測方法的驗(yàn)證

4.1 學(xué)習(xí)算法交叉驗(yàn)證結(jié)果

云端服務(wù)器上建立的學(xué)習(xí)算法在應(yīng)用過程中需要有足夠的準(zhǔn)確率,為此需要對算法模型的準(zhǔn)確率進(jìn)行驗(yàn)證。算法模型的輸入?yún)?shù)為室內(nèi)溫度、室外溫度、時間和室內(nèi)濕度。模型的輸出參數(shù)為用戶設(shè)定溫度和風(fēng)速。模型的驗(yàn)證準(zhǔn)確率Av定義為

(3)

式中npre為用戶設(shè)定溫度(風(fēng)速)與預(yù)測值的絕對誤差在±0.5 ℃(±10%)內(nèi)的次數(shù);nt為測試數(shù)據(jù)集中的總條目數(shù)。

為了避免訓(xùn)練集數(shù)據(jù)自驗(yàn)證而產(chǎn)生過擬合的問題,本文在驗(yàn)證上述模型時使用k折交叉驗(yàn)證方法,即將初始數(shù)據(jù)集均分為k個子集,其中k-1個子集作為訓(xùn)練集,剩余1個作為測試集用于測試,依次重復(fù)k次,并將測試k次得到的準(zhǔn)確率平均后作為交叉驗(yàn)證的準(zhǔn)確率?？紤]到需要對數(shù)據(jù)集充分使用,以及各個子集需要有足夠的數(shù)據(jù),k取值建議在3～6之間,此處交叉驗(yàn)證的k值取為5。

為了評價算法模型在單個地區(qū)的通用性和適用性,定義地區(qū)平均準(zhǔn)確率Aa為

(4)

式中k為用戶序號;m為地區(qū)用戶的數(shù)目;nt,k為第k個用戶測試集的數(shù)據(jù)容量;Ak為第k個用戶測試集的分類準(zhǔn)確率。

本文選擇了位于重慶、廣州和上海3個大型城市共30戶用戶的歷史數(shù)據(jù),這些用戶的數(shù)據(jù)具有地域差異大、涵蓋范圍廣、使用時間長的特點(diǎn),數(shù)據(jù)集的主要信息如表2所示。對于上海地區(qū)的10戶用戶,其交叉驗(yàn)證數(shù)據(jù)集包含的條目最多為14 949條,最少為1 777條,平均為6 503條;對于廣州地區(qū)的10戶用戶,其交叉驗(yàn)證數(shù)據(jù)集包含的條目最多為9 337條,最少為1 889條,平均為7 190條;對于重慶地區(qū)的10戶用戶,其交叉驗(yàn)證數(shù)據(jù)集包含的條目最多為7 513條,最少為1 911條,平均為4 296條。

表2 交叉驗(yàn)證數(shù)據(jù)集的主要信息

數(shù)據(jù)集交叉驗(yàn)證結(jié)果如圖7～9所示。

圖7 上海地區(qū)用戶夏季運(yùn)行數(shù)據(jù)交叉驗(yàn)證結(jié)果

圖8 廣州地區(qū)用戶夏季運(yùn)行數(shù)據(jù)交叉驗(yàn)證結(jié)果

圖9 重慶地區(qū)用戶夏季運(yùn)行數(shù)據(jù)交叉驗(yàn)證結(jié)果

對于設(shè)定溫度的交叉驗(yàn)證結(jié)果而言,上海、廣州、重慶地區(qū)的平均驗(yàn)證準(zhǔn)確率分別為0.92、0.89、0.89。對于設(shè)定風(fēng)速的交叉驗(yàn)證結(jié)果而言,上海、廣州、重慶地區(qū)的平均驗(yàn)證準(zhǔn)確率分別為0.93、0.91、0.95。

由此可見,云端算法模型在多數(shù)空調(diào)用戶的運(yùn)行數(shù)據(jù)集上的表現(xiàn)良好,能有效地反映出用戶的行為特征與輸入環(huán)境特征的關(guān)系。

4.2 預(yù)測方法測試結(jié)果

本地單片機(jī)上建立的預(yù)測方法在應(yīng)用中需要有較高的準(zhǔn)確率,為此需要對預(yù)測方法的準(zhǔn)確率進(jìn)行驗(yàn)證。用戶操作數(shù)據(jù)中的一部分用于訓(xùn)練算法模型,剩余的用于驗(yàn)證本地單片機(jī)上建立的預(yù)測方法的準(zhǔn)確率。時間、室內(nèi)濕度、室內(nèi)溫度和室外溫度的組合作為模型的輸入?yún)?shù),用戶設(shè)定溫度和設(shè)定風(fēng)速則是模型的輸出參數(shù)。預(yù)測方法的衡量指標(biāo)采用預(yù)測準(zhǔn)確率與地區(qū)平均準(zhǔn)確率,計(jì)算公式沿用式(3)、(4)。

本文將具有代表性的3個城市共30戶用戶的夏季空調(diào)運(yùn)行大數(shù)據(jù)分為訓(xùn)練組和測試組,其中,5—7月的空調(diào)運(yùn)行數(shù)據(jù)作為模型的訓(xùn)練組,8月的空調(diào)運(yùn)行數(shù)據(jù)作為模型的測試組,用于檢驗(yàn)連續(xù)1個月內(nèi)的預(yù)測效果。訓(xùn)練組和測試組數(shù)據(jù)的主要信息如表3所示。

表3 訓(xùn)練組和測試組數(shù)據(jù)集的主要信息

3個城市共30戶用戶的數(shù)據(jù)集預(yù)測結(jié)果如圖10～12所示。

圖10 上海地區(qū)用戶夏季運(yùn)行數(shù)據(jù)的本地預(yù)測結(jié)果

圖12 重慶地區(qū)用戶夏季運(yùn)行數(shù)據(jù)的本地預(yù)測結(jié)果

由空調(diào)用戶8月運(yùn)行數(shù)據(jù)的預(yù)測結(jié)果可知:對于設(shè)定溫度的預(yù)測結(jié)果而言,上海、廣州、重慶地區(qū)的平均預(yù)測準(zhǔn)確率分別為0.88、0.84、0.80;對于設(shè)定風(fēng)速的預(yù)測結(jié)果而言,上海、廣州、重慶地區(qū)的平均預(yù)測準(zhǔn)確率分別為0.91、0.90、0.94,這主要是由于多數(shù)用戶的設(shè)定風(fēng)速偏好均為自動風(fēng)擋。對于設(shè)定溫度預(yù)測準(zhǔn)確率低于0.70的部分?jǐn)?shù)據(jù)集來說,用戶的設(shè)定偏好多呈現(xiàn)不規(guī)律且頻繁的波動,模型無法根據(jù)歷史習(xí)慣給出準(zhǔn)確的預(yù)測值。可能原因之一是該空調(diào)室內(nèi)存在人員的頻繁變動。

多維矩陣插值方法能較好地復(fù)現(xiàn)云端算法模型的結(jié)果,繼承模型的內(nèi)在關(guān)聯(lián)。由此可見,云端學(xué)習(xí)模型與本地預(yù)測模型的結(jié)合在大多數(shù)空調(diào)用戶運(yùn)行數(shù)據(jù)集上的表現(xiàn)良好,可以準(zhǔn)確地反映出用戶的設(shè)定溫度和設(shè)定風(fēng)速偏好。

5 結(jié)論

1) 通過云端學(xué)習(xí)與本地計(jì)算相結(jié)合的方法,可以在空調(diào)器單片機(jī)有限計(jì)算資源下實(shí)現(xiàn)用戶偏好設(shè)定參數(shù)的預(yù)測。

2) 云端服務(wù)器上建立的學(xué)習(xí)算法能夠?qū)W習(xí)用戶操作數(shù)據(jù)并建模,建立的模型可以反映用戶設(shè)定溫度和設(shè)定風(fēng)速與環(huán)境參數(shù)的關(guān)聯(lián)。

3) 本地單片機(jī)上建立的預(yù)測方法可以繼承云端算法模型的內(nèi)在關(guān)聯(lián),能夠在低計(jì)算消耗下對用戶設(shè)定溫度和風(fēng)速進(jìn)行預(yù)測。

4) 云端學(xué)習(xí)算法的數(shù)據(jù)交叉驗(yàn)證結(jié)果顯示:交叉驗(yàn)證數(shù)據(jù)集的設(shè)定溫度與預(yù)測值的偏差在±0.5 ℃內(nèi)的比例平均為90%,最高為92%;設(shè)定風(fēng)速與預(yù)測值的偏差在±10%內(nèi)的比例平均為93%,最高為95%。說明云端學(xué)習(xí)算法的適用性較好。

5) 本地預(yù)測方法的驗(yàn)證結(jié)果表明:用戶實(shí)際設(shè)定溫度與預(yù)測值的偏差在±0.5 ℃內(nèi)的占比平均為84%,最高為88%;用戶實(shí)際設(shè)定風(fēng)速與預(yù)測值的偏差在±10%內(nèi)的占比平均為92%,最高為94%。說明本地預(yù)測方法效果良好,可用于空調(diào)用戶設(shè)定偏好的預(yù)測。