买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东省建筑设计研究院有限公司;山东旅游职业学院;山东金衢设计咨询集团有限公司

摘要：本发明涉及空调智能化控制技术领域，具体设计一种面向酒店的空调智能化控制方法，步骤如下：通过空调的传感器分别在当前房间采集早中晚三次的环境参数，同时采集空调设置的参数，对采集到的环境参数进行预处理，对空调参数进行标签独热编码处理，将处理后的数据集成一个数据集，再将数据集划分为训练集和测试集，然后构建多输出分类模型并将训练集输入进行模型训练，最后将测试集中的数据输入至训练后的模型进行预测。本发明可以避免单分支训练时易出现的过拟合现象，提升酒店空调的管理效率以及满足不同需求的个性化空调定制，以及提高客户的住宿舒适度。

主权项：1.一种面向酒店的空调智能化控制方法，其特征是，包括以下步骤：通过空调的传感器分别在当前房间采集早中晚三次的环境参数，同时采集空调设置的参数，对采集到的环境参数进行预处理，对空调设置的参数进行标签独热编码处理，将处理后的数据集成一个数据集，再将数据集划分为训练集和测试集，然后构建多输出分类模型并将训练集输入进行模型训练，最后将测试集中的数据输入至训练后的模型进行预测；对当前房间分别收集早中晚三个时间段的环境参数，同时采集当前环境空调设置的参数，每次的收集时长为2小时，采样率为10mins次，一天共采样36次；空调的传感器包括温度传感器、湿度传感器、天气质量传感器、雷达传感器，环境参数包括当前环境下的房间内温度T、湿度H、房间内人数P、时间Ti、天气W，其中，房间内温度T=[T1,T2,...,T36]，湿度H=[H1,H2,...,H36]，房间内人数P=[P1,P2,...,P36]，时间Ti=[Ti1,Ti2,...,Ti36]，天气W=[W1,W2,...,W36]，表示分别对房间内温度T、湿度H、房间人数P、时间Ti、天气W各采样36次，空调设置的参数包括温度、风速、风向、模式，其中温度，风速，风向，模式；对获取的环境参数进行预处理：首先对环境参数中的异常值、重复值和错误值进行数据清洗处理，对于异常值和错误值用正常项的均值进行填充，对于重复值进行删除；然后对环境参数做进一步处理：a.天气W包括晴朗、阴、大雨、中雨、小雨、大雪、中雪、小雪和雨夹雪9种情况，9种天气情况的二值化表示为：晴朗W1=[1,0,0,0,0,0,0,0,0]、阴W2=[0,1,0,0,0,0,0,0,0]、大雨W3=[0,0,1,0,0,0,0,0,0]、中雨W4=[0,0,0,1,0,0,0,0,0]、小雨W5=[0,0,0,0,1,0,0,0,0]、大雪W6=[0,0,0,0,0,1,0,0,0]、中雪W7=[0,0,0,0,0,0,1,0,0]、小雪W8=[0,0,0,0,0,0,0,1,0]和雨夹雪W9=[0,0,0,0,0,0,0,0,1];b.房间内温度T的范围为，对房间内温度T进行归一化处理： ，其中，表示温度特征，表示采集到的房间温度中的最低值，表示采集到的房间温度中的最大值；c.湿度H的范围为，对湿度H进行0-1之间的数据转换： ，其中，表示湿度特征；d.对房间内人数P进行最大最小值归一化处理： ，其中，表示房间内人数的特征，表示房间内人数最大值，表示房间内人数最小值；e.将时间中的第j条样本表示为，其中，year表示年份，month表示月份，day表示日，再将转换为以年为单位的特征，转换公式如下： ,其中，表示year年1月1日，然后将时间Ti中的36个样本均进行转换，时间Ti中的36个个样本进行转换后的表示为；再通过创建基于正弦和余弦函数的周期性特征，来捕捉时间的周期性变化，并生成日期对应的特征sinf和特征cosf，计算公式如下： ， ；最后将对环境参数处理后得到中的数据和进行堆叠组合，得到特征向量x，计算公式如下： ，其中，表示特征拼接操作；进行标签独热编码处理：将空调参数对应的温度、风速、风向、模式分别进行独热编码处理处理，首先确定空调参数对应的类别数N，然后根据类别数N对空调参数进行独热编码处理；对于温度，默认在多个时间段采集的每个样本的空调温度范围为，，由此确定温度的类别数N=11，对温度进行标签独热编码处理后表示为，其中，温度中第i个样本的原始标签为，进行独热编码处理后的标签为，具体标签独热编码处理过程为：将温度中第i个样本对应的温度值转变为11位二进制变量表示，其中对应温度处索引值标记为1，其他标记为0；对于风向，模式包括上下扫风和左右扫风两种模式，确定风向的类别数为，对风向中的每个样本进行标签独热编码处理后表示为，得到风向中第i个样本的第一个风向标签，表示左右扫风，；风向中第i个样本的第二个风向标签，表示上下扫风，；对于风速，模式包括低挡、中档和高档三种模式，确定风速的类别数为，对风速中的每个样本进行标签独热编码处理后表示为，得到风速中第i个样本的第一个风速标签，表示高档风速，；风速中第i个样本的第二个风速标签，表示中档风速，；风速中第i个样本的第三个风速标签，表示低档风速，；对于模式，包括制冷、制热、睡眠和保湿四种状态，确定模式的类别数为，对模式中的每个样本进行标签独热编码处理后表示为，得到模式中第i个样本的第一个模式标签，表示制冷模式，；模式中第i个样本的第二个模式标签，表示睡眠模式，；模式中第i个样本的第三个模式标签，表示制热模式，；模式中第i个样本的第四个模式标签，表示保湿模式，；生成数据集并进行划分：对于酒店内的个房间，将可收集到的样本数记为，单个房间可收集的样本包含特征的组合，样本数的维度为维，个房间生成的样本的维度为，对一年的四个季度分别各选择一个月收集特征向量，一年收集到的特征向量数为，一年收集到的样本数据集，其中，表示第个样本数据，表示第个样本对应的标签，每个样本的标签由温度、风向、风速、模式4个标签构成，，分别表示第个样本在风速、风向、温度和模式上对应的标签，表示一个维度为的输入特征向量，表示样本数据集D内的数量，然后将样本数据集D按比例划分为训练集和测试集，数据集的维度为，测试集的维度为，、和分别表示训练集的高度、宽度和深度，、和分别表示测试集的高度、宽度和深度；构建多输出分类模型：多输出分类模型包括一个模块和四个深度不同的分支，分别是特征提取模块、预测风速分支、预测温度分支、预测风向分支和预测模式分支；（1）特征提取模块的构建：通过瓶颈卷积块对训练集进行特征提取，得到提取后的特征，其中，瓶颈卷积块由一个卷积核为32的1×1卷积层、一个卷积核为32的3×3卷积层和一个ReLU激活层构成，计算过程如下： ，其中，表示瓶颈卷积，特征的维度为，、和分别表示特征的高度、宽度和深度；（2）预测风速分支的构建：将特征输入至两个堆叠的卷积层中进行深层特征提取，得到特征，CNN层的核大小为3，CNN层中的滤波器数量分别设为64和128，其中，每个CNN后均跟随一个步长为2的最大池化层MaxPool来对输入特征进行降采样，具体过程如下： ，然后，将特征输入至两个双向LSTM层，对特征的时序状态进行学习，然后再经过Dropout层和激活层得到特征，最后将特征输入至单元数为3的全连接层得输出概率矩阵，计算过程为： ，其中，FC表示全连接层；最终，根据进行风速最终预测结果，计算如下： （3）预测温度分支的构建：将特征进行最大池化并保留关键信息，然后将池化后的特征输入至由64个LSTM单元构成的LSTM层中进行时序模式学习，得到特征，再将特征输入至包含CNN层，最大池化层、激活层和Dropout层的CNN块中，得到深层特征，再将输入至并行的SE模块进行关键特征选择得到特征和特征，并将得到的特征相加得到带权重的特征,SE模块包括SE1模块和SE2模块两个部分，SE1模块和SE2模块均由一个全局平均池化、两个全连接层和一个Sigmoid层构成，计算过程如下： ， ， ；最后将带权重的特征输入至单元数为11的全连接层得到输出概率矩阵，计算过程如下： ，其中，表示全连接层；最终，根据进行温度最终结果预测，计算如下； ；（4）预测风向分支的构建：将特征用于构建基于基尼系数选择特征的随机森林，每个叶子节点分成2类，决策树个数设置为10，随机特征数目为8，然后根据10个决策树的所有分类结果进行投票，将得票最高的结果指定为风向最终预测结果, ,其中，表示多数投票规则，表示第j颗决策树的预测结果，;（5）预测模式分支的构建：将特征输入到网络模块中，网络模块由不同大小核的卷积层和最大池化层堆叠的而成，再通过设置核的大小来扩大视野范围，进而提取到多层次的特征，具体计算如下： ，其中，、分别表示卷积核大小为1，3,5的卷积操作，表示拼接操作，表示最大池化操作；然后将预测温度的分支提取的最终特征与特征进行堆叠，得到更全面的特征；最后利用特征构建随机森林分类器，设置决策树个数为100，随机特征数目为10，特征选择用基尼系数，每个叶子节点分为4类，最后集成100个决策树的输出为模式最终预测结果。

全文数据：

权利要求：

百度查询： 山东省建筑设计研究院有限公司 山东旅游职业学院 山东金衢设计咨询集团有限公司 一种面向酒店的空调智能化控制方法