基于人工神经网络、CART和随机森林的公共建筑能源成本预测( Predicting Energy Cost of Public Buildings by Artificial Neural Networks, CART, and Random Forest )

M Zeki-Suac A Has M Kneevi

利用人工神经网络、CART和随机森林回归树三种机器学习方法对公共建筑能耗进行建模。能源消耗是全球和国家政策的主要问题之一，因此建立科学的能源消耗和成本预测模型是非常重要的。每个州最大的能源消耗者之一是其公共部门，包括教育、卫生、公共行政、军事和其他类型的公共建筑。基于传感器网络和大数据平台的最新技术能够收集大量数据，用于分析能源消耗和成本。本文采用了克罗地亚公共部门的真实数据，包括大量的建筑、能源、职业、气候等属性。提出了数据预处理和参数优化建模的算法。测试了三种策略：（1）使用所有可用变量，(2)使用基于过滤器的变量选择，(3)使用结合Boruta算法和随机森林的基于包装器的变量选择。通过比较使用人工神经网络和两种回归树CART和随机森林，以及结合RF-Boruta变量选择和机器学习方法建立能源成本预测模型。通过交叉验证程序优化人工神经网络和回归树拓扑结构，并选择最合适的激活函数。在建立预测模型的同时，本文还提取了公共建筑能源成本的相关预测指标，这些指标对规划建筑的建设和改造具有重要意义。结果表明，第二种方法将机器学习与Boruta方法相结合，将随机森林算法用于变量约简和预测建模，比单独使用三种机器学习方法产生了更高的预测精度。这些发现证实了混合机器学习方法的潜力，这些方法在以前的研究中提出，但有利于随机森林方法而不是CART和人工神经网络。在变量选择方面，该模型提取了最重要的供暖和职业数据，其次是建筑、制冷、电力和照明属性。该模型可在智能建筑和智慧城市的概念下应用于公共建筑信息系统及其物联网网络中。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate