【Applied Energy最新原创论文】基于深度学习的建筑能耗预测模型特征工程方法 Deep Learning-based Feature Engineering Methods for Improved Building Energy Prediction 原文链接：https://www.sciencedirect.com/science/article/pii/S0306261919303496 范成博士团队在短期建筑能耗预测中构建了一种自动化的复杂特征识别方法。研究成果发表在能源领域顶级期刊期刊《Applied Energy》(影响因子，中科院JCR大类一区Top期刊)。深圳大学为第一完成单位，浙江大学赵阳教授为通讯作者。 建筑能耗预测模型的表现主要取决于两点：第一，建模算法本身是否有能力捕捉复杂的非线性关系；第二，用于建模的特征变量（或输入变量）是否可以有效描述输出变量。现有研究主要探索了各类监督类算法在建模中的应用，如何高效地实现特征工程仍有待研究。考虑到建筑用能规律的特异性，使用人工方法建立特征变量通常耗时耗力。本文采用多种深度学习技术建立特征工程方法，包括基于全连接自编码器、卷积编码器和生成式对抗网络的特征工程方法。通过实测数据，本文验证了相关方法的可靠性。研究结果表明，基于深度学习技术的特征工程方法可以从原始数据中学习出有价值的高层次特征，这类特征很难通过专家知识进行构建，有助于提升建筑能耗预测的可靠性和自动化水平，同时也可减少低质高噪数据的不良影响。 该项目得到了国家自然科学基金、广东省自然科学基金等项目的资助。 |
