CN115186954A - 一种基于多模型的绿色技术选择辅助决策方法和*** - Google Patents
一种基于多模型的绿色技术选择辅助决策方法和*** Download PDFInfo
- Publication number
- CN115186954A CN115186954A CN202210402869.3A CN202210402869A CN115186954A CN 115186954 A CN115186954 A CN 115186954A CN 202210402869 A CN202210402869 A CN 202210402869A CN 115186954 A CN115186954 A CN 115186954A
- Authority
- CN
- China
- Prior art keywords
- technology
- green
- decided
- green technology
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 357
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013210 evaluation model Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 86
- 238000011156 evaluation Methods 0.000 claims description 65
- 238000010801 machine learning Methods 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 238000013083 solar photovoltaic technology Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 239000002352 surface water Substances 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种基于多个模型的绿色技术选择方法和***,属于绿色建筑技术领域,该方法包括获取待决策建筑项目的相关信息;获取多种绿色技术的技术相关信息;对于每种绿色技术,通过绿色技术对应的适用性确定模型,基于待决策建筑项目的相关信息及绿色技术的技术相关信息,判断绿色技术是否适用于待决策建筑项目;若适用性确定模型判断绿色技术适用于待决策建筑项目,通过绿色技术对应的推荐分评估模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,确定绿色技术的推荐分;基于多种绿色技术的推荐分,从多种绿色技术中确定至少一种应用于待决策建筑项目的目标绿色技术。
Description
技术领域
本说明书涉及绿色建筑领域,特别涉及一种基于多模型的绿色技术选择辅助决策方法和***。
背景技术
绿色技术又被称作环境友好技术或生态技术,是指对减少环境污染,减少原材料、自然资源和能源使用的技术、工艺或产品的总称。在建筑物的设计、建造、改造中,可采用的绿色技术非常多,简单的技术堆砌既没有产生理想的经济效益,又在应用过程中难以发挥最大作用。因此,在设计阶段初期对于绿色技术的决策显得尤为关键,优化绿色技术配置可有效提高资源利用率、项目经济性,降低建筑碳排放。现有技术中,极大的依赖于设计人员的经验水平,评估各项绿色技术是否被采用,极易出现设计不合理,使节能效果达不到预期,造成资源的极大浪费。
因此,需要提供一种基于多模型的绿色技术选择辅助决策方法和***,用于提高建筑项目在方案阶段决策的科学性和全面性,进而提高建筑项目的资源利用率、项目经济性,降低建筑碳排放。
发明内容
为了解决现有技术中极大的依赖于设计人员的经验水平,评估各项绿色技术是否被采用,极易出现设计不合理,使节能效果达不到预期,造成资源的极大浪费的技术问题,本说明书实施例之一提供一种基于多模型的绿色技术选择辅助决策方法,包括:获取待决策建筑项目的相关信息,其中,所述待决策建筑项目的相关信息包括所述待决策建筑项目的基本信息及技术实施条件信息;获取多种绿色技术的技术相关信息,其中,所述技术相关信息包括所述绿色技术的至少一个必要适用条件;对于每种所述绿色技术,通过所述绿色技术对应的适用性确定模型,基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,判断所述绿色技术是否适用于所述待决策建筑项目;若所述适用性确定模型判断所述绿色技术适用于所述待决策建筑项目,通过所述绿色技术对应的推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分;基于所述多种绿色技术的推荐分,从所述多种绿色技术中确定至少一种应用于所述待决策建筑项目的目标绿色技术。
可以理解的,本说明书实施例之一提供一种基于多模型的绿色技术选择辅助决策方法,对于每一种绿色技术,先通过其对应的适用性确定模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,判断绿色技术是否适用于待决策建筑项目,对绿色技术先进行筛选,筛选出可以在本待决策建筑项目实施的至少一种绿色技术,以减少后续决策的数据量,提高决策效率,再对于每一种绿色技术,通过其对应的推荐分评估模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,确定绿色技术的推荐分,最后基于多种绿色技术的推荐分,从多种绿色技术中确定至少一种应用于待决策建筑项目的目标绿色技术,无需依赖设计人员的经验水平,使得建筑项目在方案阶段决策更加科学和全面,提高了建筑项目的资源利用率、项目经济性,降低建筑碳排放。
在一些实施例中,所述通过推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分,包括:获取辅助评估信息集,其中,所述辅助评估信息集包括业主方对专项技术的重视程度、专项投资额度水平、设计团队实力评估结果、供应商配合程度、施工团队实力评估结果及运营团队实力评估结果中的至少一种辅助评估信息;通过推荐分评估模型基于所述待决策建筑项目的相关信息、所述辅助评估信息集及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分。
在一些实施例中,所述通过推荐分评估模型基于所述待决策建筑项目的相关信息、所述辅助评估信息集及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分,包括:对于所述辅助评估信息集中的每一种所述辅助评估信息,对所述辅助评估信息进行归一化处理,获取所述辅助评估信息对应的辅助评估分值;通过推荐分评估模型基于所述待决策建筑项目的相关信息、所述辅助评估信息集中的每一种所述辅助评估信息对应的辅助评估分值及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分。
在一些实施例中,所述通过推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分,包括:建立所述绿色技术对应的初始机器学习模型;获取多个历史已决策建筑项目的相关信息,基于所述多个历史已决策建筑项目的一部分建立多个训练样本,基于所述多个历史已决策建筑项目的另一部分建立多个验证样本;基于所述多个训练样本对所述初始机器学习模型进行训练,直至所述初始机器学习模型满足预设训练结束条件,基于多个验证样本对训练结束模型进行验证,直至训练结束模型满足预设验证通过条件预设条件;将训练后满足所述预设训练结束条件及所述预设验证通过条件预设条件的初始机器学习模型作为所述推荐分评估模型;通过所述推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分。
在一些实施例中,训练后的所述初始机器学习模型计算的所述多个训练样本对应的均方误差MSETR满足预设误差阈值要求或所述初始机器学习模型的迭代次数大于预设迭代次数阈值时,训练后的所述初始机器学习模型满足所述预设条件。
在一些实施例中,基于BP神经网络建立所述绿色技术对应的初始机器学习模型。
在一些实施例中,所述基于所述多个训练样本对所述初始机器学习模型进行训练,包括:重复执行获取一个训练样本,正向传播输入至所述初始机器学习模型,计算对应所述训练样本的输出误差,使所述输出误差反向传播,采用Adam优化器调整权值,计算训练集的均方误差MSETR,直至所述训练集对应的均方误差MSETR满足预设误差阈值要求或所述初始机器学习模型的迭代次数大于预设迭代次数阈值。
在一些实施例中,所述基于所述多个训练样本对所述初始机器学习模型进行训练,直至所述初始机器学习模型满足预设条件,包括:A43,初始化所述初始机器学习模型的隐藏层层数NH为1;A44,初始化输入层神经元数N;A45,初始化第一层隐藏层神经元数N1,其中,N1=N/2,当所述N/2不为整数时,所述第一层隐藏层神经元数N1为所述N/2的整数部分;A46,判断NH是否大于1,如果是,转入步骤A47,否则,转入步骤A48;A47,初始化第二层隐藏层神经元数N2为N1/2,其中,N2=N1/2,当所述N1/2不为整数时,所述第二层隐藏层神经元数N2为所述N1/2的整数部分;A48,基于所述多个训练样本对当前的所述初始机器学习模型进行训练,若多个训练样本的均方误差MSETR小于等于误差阙值δ,转入步骤A55,否则,转入步骤A49;A49,判断NH是否大于1,如果是,转入步骤A50,否则,转入步骤A51;A50,N2=N2+1,判断N2是否小于N1,如果是,转入步骤A48,否则,转入步骤A51;A51,N1=N1+1,判断N1是否小于N,如果是,转入步骤A46,否则,转入步骤A52;A52,N=N+1,判断N是否小于等于20,如果是,转入步骤A45,否则,转入步骤A53;A53,NH=NH+1,判断NH是否小于等于2,如果是,转入步骤A44,否则,转入步骤A54;A54,保存多个验证样本的均方误差MSEval最小的初始机器学习模型,判断训练次数是否等于预设次数限值,如果是,转入步骤A56,以避免网络训练死循环,否则,转入步骤A55;A55,通过当前的所述初始机器学习模型计算所述多个验证样本的均方误差MSEval,判断MSEval是否小于等于误差阙值δ,若是,转入步骤A56,若否,转入步骤A49;A56,训练结束,生成所述推荐分评估模型。
在一些实施例中,基于所述述待决策建筑项目的基本信息、所述辅助评估信息集及所述绿色技术的技术相关信息,确定所述输入层神经元数的初始化值。
为了解决现有技术中极大的依赖于设计人员的经验水平,评估各项绿色技术是否被采用,极易出现设计不合理,使节能效果达不到预期,造成资源的极大浪费的技术问题,本说明书实施例之一提供一种基于多模型的绿色技术选择辅助决策***,包括:项目信息获取模块,用于获取待决策建筑项目的相关信息,其中,所述待决策建筑项目的相关信息包括所述待决策建筑项目的基本信息及技术实施条件信息;技术信息获取模块,用于获取多种绿色技术的技术相关信息,其中,所述技术相关信息包括所述绿色技术的至少一个必要适用条件;绿色技术评估模块,对于每种所述绿色技术,通过所述绿色技术对应的适用性确定模型,基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,判断所述绿色技术是否适用于所述待决策建筑项目;若所述适用性确定模型判断所述绿色技术适用于所述待决策建筑项目,通过所述绿色技术对应的推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分;绿色技术决策模块,用于基于所述多种绿色技术的推荐分,从所述多种绿色技术中确定至少一种应用于所述待决策建筑项目的目标绿色技术。
本说明书实施例之一提供的一种基于多模型的绿色技术选择辅助决策方法和***,至少具备以下有益效果:
(1)先通过其对应的适用性确定模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,判断绿色技术是否适用于待决策建筑项目,对绿色技术先进行筛选,筛选出可以在本待决策建筑项目实施的至少一种绿色技术,以减少后续决策的数据量,提高决策效率,再对于每一种绿色技术,通过其对应的推荐分评估模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,确定绿色技术的推荐分,最后基于多种绿色技术的推荐分,从多种绿色技术中确定至少一种应用于待决策建筑项目的目标绿色技术,无需依赖设计人员的经验水平,使得建筑项目在方案阶段决策更加科学和全面,提高了建筑项目的资源利用率、项目经济性,降低建筑碳排放;
(2)业主方对专项技术的重视程度、专项投资额度水平、设计团队实力评估结果、供应商配合程度、施工团队实力评估结果及运营团队实力评估结果等都会影响到绿色技术的实施效果,因此,在确定绿色技术的推荐分时,加入业主方对专项技术的重视程度、专项投资额度水平、设计团队实力评估结果、供应商配合程度、施工团队实力评估结果及运营团队实力评估结果中的至少一种辅助评估信息,可以使得建筑项目在方案阶段决策更加科学和全面。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的一种基于多模型的绿色技术选择辅助决策***的应用场景示意图;
图2是根据本说明书一些实施例所示的一种基于多模型的绿色技术选择辅助决策***的模块示意图;
图3是根据本说明书一些实施例所示的一种基于多模型的绿色技术选择辅助决策方法的示例性流程图;
图4是根据本说明书一些实施例所示的待决策建筑项目X的基本信息的示意图;
图5是根据本说明书一些实施例所示的待决策建筑项目X的技术实施条件信息的示意图;
图6是根据本说明书一些实施例所示的对辅助评估信息归一化的示意图;
图7是根据本说明书一些实施例所示的太阳能光伏技术、地源热泵技术和地表水源热泵技术的技术相关信息的示意图;
图8是根据本说明书一些实施例所示的推荐分评估模型的训练过程的示例性流程图;
图9是根据本说明书一些实施例所示的采用Adam优化器调整权值的示例性流程图;
图10a是根据本说明书一些实施例所示的生成推荐分评估模型的一部分流程示意图;
图10b是根据本说明书一些实施例所示的生成推荐分评估模型的另一部分流程示意图。
图中,110、处理设备;120、网络;130、用户终端;140、存储设备。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的一种基于多模型的绿色技术选择辅助决策***的应用场景示意图。
如图1所示,应用场景可以包括处理设备110、网络120、用户终端130和存储设备140。
在一些实施例中,处理设备110可以用于处理与绿色技术选择辅助决策相关的信息和/或数据。例如,处理设备110可以获取待决策建筑项目的相关信息、多种绿色技术的技术相关信息,对于每种绿色技术,通过绿色技术对应的适用性确定模型,基于待决策建筑项目的相关信息及绿色技术的技术相关信息,判断绿色技术是否适用于待决策建筑项目;若适用性确定模型判断绿色技术适用于待决策建筑项目,通过绿色技术对应的推荐分评估模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,确定绿色技术的推荐分;基于多种绿色技术的推荐分,从多种绿色技术中确定至少一种应用于待决策建筑项目的目标绿色技术。处理设备110更多的描述可以参见本申请其他部分的描述。例如,图3及其描述。
在一些实施例中,处理设备110可以是区域的或者远程的。例如,处理设备110可以通过网络120访问存储于用户终端130和存储设备140中的信息和/或资料。在一些实施例中,处理设备110可以直接与用户终端130和存储设备140连接以访问存储于其中的信息和/或资料。在一些实施例中,处理设备110可以在云平台上执行。例如,该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中,处理设备110可以包含处理器210,处理器210可以包含一个或多个子处理器(例如,单芯处理设备或多核多芯处理设备)。仅仅作为范例,处理器可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进应用场景中数据和/或信息的交换。在一些实施例中,应用场景中的一个或多个组件(例如,处理设备110、用户终端130和存储设备140)可以通过网络120发送数据和/或信息给应用场景中的其他组件。例如,处理设备110可以通过网络120从存储设备140获取待决策建筑项目的相关信息、多种绿色技术的技术相关信息。在一些实施例中,网络120可以是任意类型的有线或无线网络。例如,网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(LAN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或以上任意组合。
在一些实施例中,用户终端130可以获取应用场景中的信息或数据。例如,用户终端130可以通过网络120从处理设备110获取确定的至少一种应用于待决策建筑项目的目标绿色技术。在一些实施例中,用户终端130可以包括移动装置(例如,智能手机、智能手表等)、平板电脑、笔记本电脑等中的一种或其任意组合。
在一些实施例中,存储设备140可以与网络120连接以实现与应用场景的一个或多个组件(例如,处理设备110、用户终端130等)通讯。应用场景一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中,存储设备140可以直接与应用场景中的一个或多个组件(如,处理设备110、用户终端130)连接或通讯。在一些实施例中,存储设备140可以是处理设备110的一部分。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可做出多种变化和修改。可以以各种方式组合本申请描述的示例性的实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性的实施例。例如,存储设备140可以是包括云计算平台的数据存储设备,例如公共云、私有云、社区和混合云等。然而,这些变化与修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的一种基于多模型的绿色技术选择辅助决策***的模块示意图。
如图2所示,一种基于多模型的绿色技术选择辅助决策***可以包括项目信息获取模块、技术信息获取模块、绿色技术评估模块及绿色技术决策模块。
项目信息获取模块可以用于获取待决策建筑项目的相关信息,其中,待决策建筑项目的相关信息包括待决策建筑项目的基本信息及技术实施条件信息。
技术信息获取模块可以用于获取多种绿色技术的技术相关信息,其中,技术相关信息包括绿色技术的至少一个必要适用条件。
绿色技术评估模块可以用于对于每种绿色技术,通过绿色技术对应的适用性确定模型,基于待决策建筑项目的相关信息及绿色技术的技术相关信息,判断绿色技术是否适用于待决策建筑项目;若适用性确定模型判断绿色技术适用于待决策建筑项目,通过绿色技术对应的推荐分评估模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,确定绿色技术的推荐分。
绿色技术决策模块可以用于基于多种绿色技术的推荐分,从多种绿色技术中确定至少一种应用于待决策建筑项目的目标绿色技术。
需要注意的是,以上对于候选项显示、确定***及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。在一些实施例中,图1中披露的项目信息获取模块、技术信息获取模块、绿色技术评估模块及绿色技术决策模块可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的一种基于多模型的绿色技术选择辅助决策方法的示例性流程图。如图3所示,一种基于多模型的绿色技术选择辅助决策方法包括下述步骤。在一些实施例中,一种基于多模型的绿色技术选择辅助决策方法可以由一种基于多模型的绿色技术选择辅助决策***或处理设备110执行。
步骤310,获取待决策建筑项目的相关信息。在一些实施例中,步骤310可以由项目信息获取模块执行。
待决策建筑项目为待确定应用哪些绿色技术的建筑项目,其中,绿色技术可以包括太阳能光伏技术、地源热泵技术和地表水源热泵技术等。待决策建筑项目的相关信息可以为与待决策建筑项目相关的信息。
在一些实施例中,待决策建筑项目的相关信息可以包括待决策建筑项目的基本信息,例如,项目类型(例如,办公用地、商场、酒店、医院、学校、住宅或工业厂房等)、建筑面积、容积率、绿化率、建筑密度、占地面积及项目所在地等,示例地,图4展示了待决策建筑项目X的基本信息。
在一些实施例中,待决策建筑项目的相关信息可以包括技术实施条件信息,技术实施条件信息可以表征与绿色技术实施相关的待决策建筑项目所处环境的信息,例如,年太阳能辐射总量、所在气候分区、是否满足安装地源热泵的地质条件及距离地表流动水体距离等,示例地,图5展示了待决策建筑项目X的技术实施条件信息。
在一些实施例中,待决策建筑项目的相关信息还可以包括辅助评估信息集,辅助评估信息集可以包括业主方对专项技术的重视程度、专项投资额度水平、设计团队实力评估结果、供应商配合程度、施工团队实力评估结果及运营团队实力评估结果中的至少一种辅助评估信息。可以理解的,辅助评估信息会对绿色技术是否能够引入待决策建筑项目产生非常重大的影响。结合图6,在一些实施例中,由于辅助评估信息难以用客观数值进行评估,项目信息获取模块可以对其进行归一化处理,归一化处理的方式包括基于大数据计算得到、人为调查评估等多种方法或者多种方法的结合,最终将每种辅助评估信息归一化成1~5中的一个数值,便于后续从多种绿色技术中确定至少一种应用于待决策建筑项目的目标绿色技术。
在一些实施例中,项目信息获取模块可以从处理设备110、用户终端130、存储设备140或通过网络120从外部数据源获取待决策建筑项目的相关信息。
步骤320,获取多种绿色技术的技术相关信息。在一些实施例中,步骤320可以由技术信息获取模块执行。
绿色技术的技术相关信息可以表征实施该绿色技术的必要条件,例如,年太阳能辐射总量最小值、冬夏负荷不平衡率最低值、地质条件要求、距离地表流动水体距离最大值等,例如,图7展示了太阳能光伏技术、地源热泵技术和地表水源热泵技术的技术相关信息,可以理解的,不同的绿色技术的技术相关信息可以不同。
可以理解的,随着科技的发展,绿色技术的技术适用条件大多是逐渐降低的,因此,技术信息获取模块获取的多种绿色技术的技术相关信息可以随着科技发展更新。
在一些实施例中,技术信息获取模块可以从处理设备110、用户终端130、存储设备140或通过网络120从外部数据源获取多种绿色技术的技术相关信息。
步骤330,通过绿色技术对应的适用性确定模型,基于待决策建筑项目的相关信息及绿色技术的技术相关信息,判断绿色技术是否适用于待决策建筑项目。在一些实施例中,步骤330可以由绿色技术评估模块。
适用性确定模型可以用于判断绿色技术是否适用于待决策建筑项目。可以理解的,每一种绿色技术可以对应有一个适用性确定模型,例如,太阳能光伏技术对应有一个适用性确定模型(第一适用性确定模型)、地源热泵技术对应有一个适用性确定模型(第二适用性确定模型)和地表水源热泵技术对应有一个适用性确定模型(第三适用性确定模型)。
在一些实施例中,适用性确定模型可以基于待决策建筑项目的相关信息及绿色技术的技术相关信息,判断绿色技术是否适用于待决策建筑项目。更进一步地,适用性确定模型可以基于待决策建筑项目的技术实施条件信息及绿色技术的技术相关信息,判断绿色技术是否适用于待决策建筑项目。例如,适用性确定模型可以判断待决策建筑项目的技术实施条件信息是否满足绿色技术的技术相关信息,若待决策建筑项目的技术实施条件信息满足绿色技术的技术相关信息,则绿色技术适用于待决策建筑项目,若待决策建筑项目的技术实施条件信息不满足绿色技术的技术相关信息,则绿色技术不适用于待决策建筑项目。示例地,仍以图7为例,对于太阳能光伏技术这一绿色技术,其技术相关信息包括年太阳能辐射总量>5000MJ/㎡,待决策建筑项目的技术实施条件信息中年太阳能辐射总量为6000MJ/㎡,年太阳能辐射总量为6000MJ/㎡满足年太阳能辐射总量>5000MJ/㎡,则第一适用性确定模型可以判断太阳能光伏技术适用于待决策建筑项目。
在一些实施例中,适用性确定模型可以为机器学习模型,适用性确定模型的输入为待决策建筑项目的技术实施条件信息及绿色技术的技术相关信息,适用性确定模型的输出为判断绿色技术是否适用于待决策建筑项目,绿色技术评估模块可以通过多个带标签的训练样本对初始适用性确定模型进行训练,其中,一个训练样本对应一个已决策的建筑项目,训练样本可以包括该已决策的建筑项目的技术实施条件信息及绿色技术的技术相关信息,训练样本的标签可以包括该绿色技术是否适用于该已决策的建筑项目,绿色技术评估模块可以通过多种方式获取该训练样本的标签,例如,通过人工标注,又例如,绿色技术评估模块可以从存储设备140或外部数据源获取标签。
在一些实施例中,绿色技术评估模块可以通过常见的方式(例如,梯度下降等)对初始适用性确定模型进行多次训练,直至训练后的初始适用性确定模型满足预设条件,将该训练后的初始适用性确定模型作为用于判断该绿色技术是否适用于待决策建筑项目的适用性确定模型。其中,预设条件可以是更新后的初始适用性确定模型的损失函数小于阈值、收敛,或训练迭代次数达到阈值。
在一些实施例中,适用性确定模型可以包括但不限于神经网络(NeuralNetworks,NN)、决策树(Decision Tree,DT)、线性回归(Linear Regression,LR)等一种或多种的组合等。
可以理解的,技术信息获取模块获取的多种绿色技术的技术相关信息可以随着科技发展更新,因此,在绿色技术的技术相关信息更新时,绿色技术评估模块可以重新获取样本数据对适用性确定模型再次进行训练,以保持适用性确定模型判断绿色技术是否适用于待决策建筑项目的准确度。
步骤340,若适用性确定模型判断绿色技术适用于待决策建筑项目,通过绿色技术对应的推荐分评估模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,确定绿色技术的推荐分。在一些实施例中,步骤340可以由绿色技术评估模块执行。
推荐分评估模型可以用于判断绿色技术应用在待决策建筑项目合适程度。可以理解的,每一种绿色技术可以对应有一个推荐分评估模型,例如,太阳能光伏技术对应有一个推荐分评估模型(第一推荐分评估模型)、地源热泵技术对应有一个推荐分评估模型(第二推荐分评估模型)和地表水源热泵技术对应有一个推荐分评估模型(第三推荐分评估模型)。
在一些实施例中,绿色技术评估模块可以基于BP神经网络建立每种绿色技术对应的初始机器学习模型,该初始机器学习模型用于进行训练最终生成推荐分评估模型。
在一些实施例中,技术评估模块通过推荐分评估模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,确定绿色技术的推荐分,可以包括:
建立绿色技术对应的初始机器学习模型;
获取多个历史已决策建筑项目的相关信息,基于多个历史已决策建筑项目的一部分建立训练集,训练集包括多个训练样本,基于多个历史已决策建筑项目的另一部分建立验证集,验证集包括多个验证样本;
基于多个训练样本对初始机器学习模型进行训练,直至初始机器学习模型满足预设训练结束条件,基于多个验证样本对训练结束模型进行验证,直至训练结束模型满足预设验证通过条件;
将训练后满足预设训练结束条件及预设验证通过条件的初始机器学习模型作为推荐分评估模型;
通过推荐分评估模型基于待决策建筑项目的相关信息及绿色技术的技术相关信息,确定绿色技术的推荐分。
在一些实施例中,绿色技术评估模块基于多个训练样本对初始机器学习模型进行训练,可以包括:重复执行获取一个训练样本,正向传播输入至初始机器学习模型,计算对应训练样本的输出误差,使输出误差反向传播,采用Adam优化器调整权值,计算训练集的均方误差MSETR,直至训练集对应的均方误差MSETR满足预设误差阈值要求或初始机器学习模型的迭代次数大于预设迭代次数阈值。
结合图10a及图10b,更进一步地,基于多个训练样本对初始机器学习模型进行训练,直至初始机器学习模型满足预设条件,包括:
A43,初始化初始机器学习模型的隐藏层层数NH为1;
A44,初始化输入层神经元数N,在一些实施例中,绿色技术评估模块可以基于述待决策建筑项目的基本信息、辅助评估信息集及绿色技术的技术相关信息,确定输入层神经元数的初始化值,例如,待决策建筑项目的基本信息包括7个参数(即项目类型、建筑面积、容积率、绿化率、建筑密度、占地面积及项目所在地),辅助评估信息集包括6个参数(即业主方对专项技术的重视程度、专项投资额度水平、设计团队实力评估结果、供应商配合程度、施工团队实力评估结果及运营团队实力评估结果),绿色技术的技术相关信息包括k个参数,则初始化输入层神经元数N=6+7+k,示例地,对于太阳能光伏技术这一绿色技术,其技术相关信息包括1个参数(即年太阳能辐射总量>5000MJ/㎡),则其对应的初始化初始机器学习模型的初始化输入层神经元数N=14;
A45,初始化第一层隐藏层神经元数N1,其中,N1=N/2,当N/2不为整数时,第一层隐藏层神经元数N1为N/2的整数部分,例如,当N为15时,N/2为7.5,则初始化第一层隐藏层神经元数N1=7;
A46,判断NH是否大于1,如果是,转入步骤A47,否则,转入步骤A48;
A47,初始化第二层隐藏层神经元数N2为N1/2,其中,N2=N1/2,当N1/2不为整数时,第二层隐藏层神经元数N2为N1/2的整数部分,例如,当N1为7时,N1/2为3.5,则初始化第二层隐藏层神经元数N2=3;
A48,基于多个训练样本对当前的初始机器学习模型进行训练,若训练集的均方误差MSETR小于等于误差阙值δ,转入步骤A55,否则,转入步骤A49;
A49,判断NH是否大于1,如果是,转入步骤A50,否则,转入步骤A51;
A50,令N2=N2+1,判断N2是否小于N1,如果是,转入步骤A48,否则,转入步骤A51;
A51,令N1=N1+1,判断N1是否小于N,如果是,转入步骤A46,否则,转入步骤A52;
A52,令N=N+1,判断N是否小于等于20,如果是,转入步骤A45,否则,转入步骤A53;
A53,令NH=NH+1,判断NH是否小于等于2,如果是,转入步骤A44,否则,转入步骤A54;
A54,保存多个验证样本的均方误差MSEval最小的初始机器学习模型,判断训练次数是否等于预设次数限值,如果是,转入步骤A56,以避免网络训练死循环,否则,转入步骤A55;
A55,通过当前的初始机器学习模型计算多个验证样本的均方误差MSEval,判断MSEval是否小于等于误差阙值δ,若是,转入步骤A56,若否,转入步骤A49;
A56,训练结束,生成推荐分评估模型,例如,将从A54中获取的均方误差MSEval最小的初始机器学习模型作为推荐分评估模型或将从A55中获取的MSEval小于等于误差阙值δ的初始机器学习模型作为推荐分评估模型。
可以理解的,建设项目和绿色技术的快速变更使得固定不变的网络结构难以长久适用在辅助决策上,为了增强辅助决策过程的适配性,采用上述的机器学习模型构建方法,使得推荐分评估模型库可以根据数据变化(例如,绿色技术的技术相关信息发生更新)进行自我更新,使其能够适应技术变迁带来的诸多改变,提供更为准确的推荐分结果。
在一些实施例中,推荐分评估模型输出的绿色技术的推荐分可以用任意形式表示,例如,用1~10之间的整数表示。
结合图8,推荐分评估模型的训练过程包括以下步骤:
B41,初始化机器学习模型;
B42,在样本集中取一个训练样本,正向传播输入,计算各隐藏层神经元的输入和输出,计算输出误差,其中,样本集包括训练集和验证集;
B43,使误差反向传播,采用Adam优化器调整权值;
B44,计算样本集的均方误差;
B45,判断样本集的均方误差是否满足预设的误差阈值要求,如果满足,结束训练流程,否则,转入步骤B46。
B46,判断迭代次数是否达到上限,如果是,结束训练流程,否则转入步骤B42。
结合图9,采用Adam优化器调整权值的过程包括以下步骤:
B431,初始化优化器;
B432,计算梯度值;
B433,更新矩向量;
B434,计算偏差矫正的矩向量;
B435,更新权值;
B436,判断权值是否收敛,如果是,结束流程,否则,返回步骤B432。
在开始训练前,首先将输入数据归一化至[0,1]范围,加快训练网络的收敛速度;网络权重在(0,1]间随机初始化,激活函数选择sigmoid函数;利用Adam(Adaptive momentestimation,自适应矩估计)优化器进行迭代计算,其中优化器参数取默认值,即初始学习率α=0.001,指数衰减率β1=0.9、β2=0.999,常数∈=10-8。
步骤350,基于多种绿色技术的推荐分,从多种绿色技术中确定至少一种应用于待决策建筑项目的目标绿色技术。在一些实施例中,步骤350可以由绿色技术决策模块执行。
在一些实施例中,绿色技术决策模块可以通过任意方式基于多种绿色技术的推荐分,从多种绿色技术中确定至少一种应用于待决策建筑项目的目标绿色技术。例如,绿色技术决策模块可以将推荐分大于对应的预设分数阈值的绿色技术作为应用于待决策建筑项目的目标绿色技术。示例地,第一推荐分评估模型计算的太阳能光伏技术的推荐分为7,而太阳能光伏技术对应的预设分数阈值为6,则太阳能光伏技术可以作为应用于待决策建筑项目的目标绿色技术。
在一些实施例中,绿色技术决策模块可以从处理设备110、用户终端130、存储设备140或通过网络120从外部数据源获取每种绿色技术对应的预设分数阈值。
应当注意的是,上述有关一种基于多模型的绿色技术选择辅助决策方法的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对一种基于多模型的绿色技术选择辅助决策方法进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于多模型的绿色技术选择辅助决策方法,其特征在于,包括:
获取待决策建筑项目的相关信息,其中,所述待决策建筑项目的相关信息包括所述待决策建筑项目的基本信息及技术实施条件信息;
获取多种绿色技术的技术相关信息,其中,所述技术相关信息包括所述绿色技术的至少一个必要适用条件;
对于每种所述绿色技术,
通过所述绿色技术对应的适用性确定模型,基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,判断所述绿色技术是否适用于所述待决策建筑项目;
若所述适用性确定模型判断所述绿色技术适用于所述待决策建筑项目,通过所述绿色技术对应的推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分;
基于所述多种绿色技术的推荐分,从所述多种绿色技术中确定至少一种应用于所述待决策建筑项目的目标绿色技术。
2.如权利要求1所述的一种基于多模型的绿色技术选择辅助决策方法,其特征在于,所述推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分,包括:
获取辅助评估信息集,其中,所述辅助评估信息集包括业主方对专项技术的重视程度、专项投资额度水平、设计团队实力评估结果、供应商配合程度、施工团队实力评估结果及运营团队实力评估结果中的至少一种辅助评估信息;
通过所述推荐分评估模型基于所述待决策建筑项目的相关信息、所述辅助评估信息集及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分。
3.如权利要求2所述的一种基于多模型的绿色技术选择辅助决策方法,其特征在于,所述通过推荐分评估模型基于所述待决策建筑项目的相关信息、所述辅助评估信息集及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分,包括:
对于所述辅助评估信息集中的每一种所述辅助评估信息,
对所述辅助评估信息进行归一化处理,获取所述辅助评估信息对应的辅助评估分值;
通过推荐分评估模型基于所述待决策建筑项目的相关信息、所述辅助评估信息集中的每一种所述辅助评估信息对应的辅助评估分值及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分。
4.如权利要求3所述的一种基于多模型的绿色技术选择辅助决策方法,其特征在于,所述通过推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分,包括:
建立所述绿色技术对应的初始机器学习模型;
获取多个历史已决策建筑项目的相关信息,基于所述多个历史已决策建筑项目的一部分建立多个训练样本,基于所述多个历史已决策建筑项目的另一部分建立多个验证样本;
基于所述多个训练样本对所述初始机器学习模型进行训练,直至所述初始机器学习模型满足预设训练结束条件,基于多个验证样本对训练结束模型进行验证,直至训练结束模型满足预设验证通过条件;
将训练后满足所述预设训练结束条件及所述预设验证通过条件的初始机器学习模型作为所述推荐分评估模型;
通过所述推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分。
5.如权利要求4所述的一种基于多模型的绿色技术选择辅助决策方法,其特征在于,训练后的所述初始机器学习模型计算的所述多个训练样本对应的均方误差MSETR满足预设误差阈值要求或所述初始机器学习模型的迭代次数大于预设迭代次数阈值时,训练后的所述初始机器学习模型满足所述预设条件。
6.如权利要求5所述的一种基于多模型的绿色技术选择辅助决策方法,其特征在于,基于BP神经网络建立所述绿色技术对应的初始机器学习模型。
7.如权利要求6所述的一种基于多模型的绿色技术选择辅助决策方法,其特征在于,所述基于所述多个训练样本对所述初始机器学习模型进行训练,包括:
重复执行获取一个训练样本,正向传播输入至所述初始机器学习模型,计算对应所述训练样本的输出误差,使所述输出误差反向传播,采用Adam优化器调整权值,计算训练集的均方误差MSETR,直至所述训练集对应的均方误差MSETR满足预设误差阈值要求或所述初始机器学习模型的迭代次数大于预设迭代次数阈值。
8.如权利要求5-7任意一项所述的一种基于多模型的绿色技术选择辅助决策方法,其特征在于,所述基于所述多个训练样本对所述初始机器学习模型进行训练,直至所述初始机器学习模型满足预设条件,包括:
A43,初始化所述初始机器学习模型的隐藏层层数NH为1;
A44,初始化输入层神经元数N;
A45,初始化第一层隐藏层神经元数N1,其中,N1=N/2,当所述N/2不为整数时,所述第一层隐藏层神经元数N1为所述N/2的整数部分;
A46,判断NH是否大于1,如果是,转入步骤A47,否则,转入步骤A48;
A47,初始化第二层隐藏层神经元数N2为N1/2,其中,N2=N1/2,当所述N1/2不为整数时,所述第二层隐藏层神经元数N2为所述N1/2的整数部分;
A48,基于所述多个训练样本对当前的所述初始机器学习模型进行训练,若多个训练样本的均方误差MSETR小于等于误差阙值δ,转入步骤A55,否则,转入步骤A49;
A49,判断NH是否大于1,如果是,转入步骤A50,否则,转入步骤A51;
A50,N2=N2+1,判断N2是否小于N1,如果是,转入步骤A48,否则,转入步骤A51;
A51,N1=N1+1,判断N1是否小于N,如果是,转入步骤A46,否则,转入步骤A52;
A52,N=N+1,判断N是否小于等于20,如果是,转入步骤A45,否则,转入步骤A53;
A53,NH=NH+1,判断NH是否小于等于2,如果是,转入步骤A44,否则,转入步骤A54;
A54,保存多个验证样本的均方误差MSEval最小的初始机器学习模型,判断训练次数是否等于预设次数限值,如果是,转入步骤A56,以避免网络训练死循环,否则,转入步骤A55;
A55,通过当前的所述初始机器学习模型计算所述多个验证样本的均方误差MSEval,判断MSEval是否小于等于误差阙值δ,若是,转入步骤A56,若否,转入步骤A49;
A56,训练结束,生成所述推荐分评估模型。
9.如权利要求8所述的一种基于多模型的绿色技术选择辅助决策方法,其特征在于,基于所述述待决策建筑项目的基本信息、所述辅助评估信息集及所述绿色技术的技术相关信息,确定所述输入层神经元数的初始化值。
10.一种基于多模型的绿色技术选择辅助决策***,其特征在于,包括:
项目信息获取模块,用于获取待决策建筑项目的相关信息,其中,所述待决策建筑项目的相关信息包括所述待决策建筑项目的基本信息及技术实施条件信息;
技术信息获取模块,用于获取多种绿色技术的技术相关信息,其中,所述技术相关信息包括所述绿色技术的至少一个必要适用条件;
绿色技术评估模块,用于对于每种所述绿色技术,通过所述绿色技术对应的适用性确定模型,基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,判断所述绿色技术是否适用于所述待决策建筑项目;若所述适用性确定模型判断所述绿色技术适用于所述待决策建筑项目,通过所述绿色技术对应的推荐分评估模型基于所述待决策建筑项目的相关信息及所述绿色技术的技术相关信息,确定所述绿色技术的推荐分;
绿色技术决策模块,用于基于所述多种绿色技术的推荐分,从所述多种绿色技术中确定至少一种应用于所述待决策建筑项目的目标绿色技术。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402869.3A CN115186954A (zh) | 2022-04-18 | 2022-04-18 | 一种基于多模型的绿色技术选择辅助决策方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402869.3A CN115186954A (zh) | 2022-04-18 | 2022-04-18 | 一种基于多模型的绿色技术选择辅助决策方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186954A true CN115186954A (zh) | 2022-10-14 |
Family
ID=83511942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210402869.3A Pending CN115186954A (zh) | 2022-04-18 | 2022-04-18 | 一种基于多模型的绿色技术选择辅助决策方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186954A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664161A (zh) * | 2023-05-25 | 2023-08-29 | 东北林业大学 | 一种基于燃煤火电厂的二氧化碳排放核算技术选择方法 |
-
2022
- 2022-04-18 CN CN202210402869.3A patent/CN115186954A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664161A (zh) * | 2023-05-25 | 2023-08-29 | 东北林业大学 | 一种基于燃煤火电厂的二氧化碳排放核算技术选择方法 |
CN116664161B (zh) * | 2023-05-25 | 2023-11-28 | 东北林业大学 | 一种基于燃煤火电厂的二氧化碳排放核算技术选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sallam et al. | Landscape-based adaptive operator selection mechanism for differential evolution | |
Peng et al. | Accelerating minibatch stochastic gradient descent using typicality sampling | |
CN104636801B (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN106411896A (zh) | 基于apde‑rbf神经网络的网络安全态势预测方法 | |
Urgun et al. | Importance sampling using multilabel radial basis classification for composite power system reliability evaluation | |
CN106910337A (zh) | 一种基于萤火虫算法与rbf神经网络的交通流预测方法 | |
CN106650920A (zh) | 一种基于优化极限学习机的预测模型 | |
CN109818775A (zh) | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 | |
CN113468817B (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN110232444B (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN107121926A (zh) | 一种基于深度学习的工业机器人可靠性建模方法 | |
CN113420868A (zh) | 一种基于深度强化学习的旅行商问题求解方法及求解*** | |
CN115186954A (zh) | 一种基于多模型的绿色技术选择辅助决策方法和*** | |
US20230307911A1 (en) | Method and system for optimizing power grid emergency load-shedding based on proliferation and reduction evolution | |
CN114580678A (zh) | 一种产品维修资源调度方法和*** | |
CN106326988A (zh) | 一种基于快速匹配机制面向复杂计算的改进遗传方法 | |
CN106408118A (zh) | 一种基于grnn组合模型的城市日供水量预测方法 | |
Guo et al. | Multi-objective combinatorial generative adversarial optimization and its application in crowdsensing | |
Zargar et al. | Deep learning in early-stage structural performance prediction: Assessing morphological parameters for buildings | |
Yousif et al. | Deep learning-based surrogate modeling for performance-driven generative design systems | |
Zheng | Research on the evaluation model of educational management theory based on data mining from the perspective of neural network | |
Lin et al. | A hybrid neural network model for sea ice thickness forecasting | |
Tian et al. | Time-delay prediction method based on improved genetic algorithm optimized echo state networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |