.png){kind=icon}
返回
Developing window behavior models for residential buildings using XGBoost algorithm
.png){kind=icon}
OA
AI
DOI：10.1016/j.enbuild.2019.109564.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
建筑占社会总能耗的32% 以上，为了使建筑更节能，建筑动态性能模拟在建筑设计中被广泛采用，以帮助选择最合适的HVAC (供暖通风和空调) 系统。由于当前仿真包中缺乏良好的行为模型，因此许多研究人员试图使用从真实建筑物收集的现场数据来开发有用的行为模型以提高仿真精度，包括窗户行为模型。在这项工作中，已经使用了许多数学和机器学习方法，并且已经达到了一定程度的预测精度。XGBoost是最近推出的机器学习算法，已被证明在其他研究领域的复杂过程建模中非常强大。在这项研究中，该算法已被用于建模和预测乘员窗户行为，旨在从全局公认的建模方法 (即逻辑回归分析) 进一步提高建模精度。从过渡季节的真实住宅建筑中收集了有关居住者窗户行为和相关影响因素的现场数据。在特征选择工作之后，XGBoost和Logistic回归分析都用于构建窗口行为模型，并比较了它们在独立数据集上的预测性能。比较表明，与Logistic回归分析相比，XGBoost在对乘员车窗行为进行建模方面具有坚实的优势，并且期望对于其他行为类型 (例如盲控制和空调操作) 也将获得相同的发现。（C）2019 Elsevier B.V. 保留所有权利。
Keyword:
Behavior modeling
Window behavior
Logistics regression
XGBoost algorithm
Residential buildings
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.1
论文数:
1.6W
被引数:
6.8W
机构
引用论文
Night-time naturally ventilated offices: Statistical simulations of window-use patterns from field monitoring.png)
SOLAR ENERGY
SOLAR ENERGYIF6.6
PREAI
分享收藏Ranking of interventions to reduce dwelling overheating during heat waves减少热浪期间住宅过热的干预措施排名ENERGY AND BUILDINGS
ENERGY AND BUILDINGSIF7.1
PREAI
分享收藏Probability of occupant operation of windows during transition seasons in office buildings办公楼过渡季节窗户使用者操作的概率RENEWABLE ENERGY
RENEWABLE ENERGYIF9.1
PREAI
分享收藏Early detection of faults in HVAC systems using an XGBoost model with a dynamic thresholdENERGY AND BUILDINGS
ENERGY AND BUILDINGSIF7.1
PREAI
分享收藏Driving factors for occupant-controlled space heating in residential buildings居住建筑中乘员控制空间供暖的驱动因素ENERGY AND BUILDINGS
ENERGY AND BUILDINGSIF7.1
PREAI
分享收藏
查看更多内容