TWI764799B

TWI764799B - 溫度預測方法

Info

Publication number: TWI764799B
Application number: TW110128498A
Authority: TW
Inventors: 游德榮; 李明訓; 侯語涵; 曾啟倫
Original assignee: 台灣松下電器股份有限公司
Priority date: 2021-08-03
Filing date: 2021-08-03
Publication date: 2022-05-11
Also published as: TW202307714A

Abstract

一種溫度預測方法，由一溫度預測系統執行，該溫度預測方法為該溫度預測系統根據N個不同時間點的環境參數組合預處理分別產生N個預處理結果，每一環境參數各自至少為溫度、濕度、懸浮微粒其中之一，該溫度預測系統對該N個預處理結果分別執行資料統計運算而得到N個資料篩選結果，並對該N個資料篩選結果分別執行非監督學習演算法而得到N個資料維度轉換結果，再對該等資料維度轉換結果執行一類神經網路轉換以得到一溫度預測模型，藉由將不同時間點的多種環境參數組進行機器學習相關的資訊處理，進而可更精準掌握溫度變化因素。

Description

溫度預測方法

本發明是有關於一種預測技術，特別是指一種根據與溫度相關的環境變數進行溫度預測的溫度預測方法。

現有的溫度預測技術是藉由將先前收集到的多筆溫度記錄帶入人工智慧模型進行訓練，並搭配當下的即時溫度判斷模型是否準確，進而依據模型預測的溫度預先設定室內空調溫度，但溫度變化與多種環境參數有關，僅以溫度單一參數來進行預測將使模型預測準確度下降。

因此，現有的溫度預測方法有改善的必要。

因此，本發明的目的，即在提供一種結合多種環境參數進行人工智慧模型訓練以產生溫度預測模型的的溫度預測方法。

於是，本發明溫度預測方法，由一溫度預測系統執行，該溫度預測方法包含一步驟（A）、一步驟（B）、一步驟（C）、一步驟（D）、一步驟（E），及一步驟（F）。

該步驟（A）為該溫度預測系統根據N個不同時間點的環境參數組合預處理分別產生N個預處理結果，每一環境參數組合包括M個環境參數，每一環境參數各自至少為溫度、濕度、懸浮微粒其中之一。

該步驟（B）為該溫度預測系統對該N個預處理結果分別執行資料統計運算而得到N個資料篩選結果。

該步驟（C）為該溫度預測系統對該N個資料篩選結果分別執行非監督學習演算法而得到N個資料維度轉換結果。

該步驟（D）為該溫度預測系統對該等資料維度轉換結果執行一類神經網路轉換以得到一溫度預測模型。

該步驟（E）為該溫度預測系統以該溫度預測模型對其中一資料維度轉換結果運算以產生一預測溫度。

本發明的功效在於：藉由將不同時間點的多種環境參數組進行機器學習相關的資訊處理，進而可更精準掌握溫度變化因素。

參閱圖1，為本發明溫度預測方法的一實施例，由一溫度預測系統執行，該實施例包含一步驟（A）、一步驟（B）、一步驟（C）、一步驟（D）、一步驟（E），及一步驟（F），更詳細而言，該溫度預測系統執行該實施例時，可區分為三個階段：第一階段為資料分析（或稱特徵預處理），其主要內容包括擷取離散時間特徵、編碼、離群資料分析及歸一化；第二階段為考量空氣品質變數；第三階段為連續時間空氣品質預測，此外，第一階段是執行該步驟（A）與該步驟（B），第二階段是執行該步驟（C）；第三階段是執行該步驟（D）、該步驟（E），及該步驟（F），以下接著詳細說明該實施例。

第一階段：資料分析（特徵預處理），詳述如以下步驟。

該步驟（A）為擷取離散時間特徵、編碼，具體而言，為該溫度預測系統根據N個不同時間點的環境參數組合預處理分別產生N個預處理結果，每一環境參數組合包括M個環境參數，每一環境參數各自至少為溫度、濕度、懸浮微粒其中之一。

參閱圖2，該步驟（A）進一步包括一子步驟（A1）及一子步驟（A2），該子步驟（A1）為該溫度預測系統分別於N個時間點收集室內空氣品質各項數據，也就是對一室內空間的溫度、濕度、懸浮微粒進行偵測以得到該N個環境參數組合。

該子步驟（A2）為該溫度預測系統分別對N個環境參數組合各自的M個環境參數執行一預處理運算，而得到該N個預處理結果，該預處理運算為根據每一環境參數組合當下對應的時間點進行週期性弦波函數轉換，以下進一步說明該預處理運算的詳細運算過程。

配合參閱圖3，該子步驟（A2）進一步包括一次要步驟（A2-1），及一次要步驟（A2-2）。

該次要步驟（A2-1）為該溫度預測系統在執行該預處理運算時，是先記錄每一環境參數組合當下對應的一時間參數，該時間參數包括年、月、週、日、小時、分鐘、秒。

該次要步驟（A2-2）為該溫度預測系統將每一時間參數進行週期性三角函數轉換，其中，週期性三角函數轉換的公式為：

。

。

。

。

為年的週期性參數、

為月的週期性參數、

為週的週期性參數、

為日的週期性參數、month為月、week為週、day為日、hour為小時、min為分鐘、sec為秒。

該次要步驟（A2-3）為該溫度預測系統根據該次要步驟（A2-2）的轉換結果連同該N個環境參數組合產生該N個預處理結果。

再參閱圖1，該步驟（B）為離群資料分析及歸一化，具體而言，為該溫度預測系統對該N個預處理結果分別執行資料統計運算而得到N個資料篩選結果。

配合參閱圖4，該步驟（B）包括以一子步驟（B1），及一子步驟（B2）。

（B1）該溫度預測系統對該N個預處理結果執行離群值分析。

（B2）該溫度預測系統對該子步驟（B1）的結果進行歸一化運算得到該N個資料篩選結果，該等資料篩選結果分別可表示為X ^t、X ^t-1、X ^t-2、X ^t-3、X ^t-4…。

在該子步驟（B2）中，歸一化運算公式為feature=

，feature為對執行離群分析後的預處理結果中的室內溫度、室外溫度、溼度、PM2.5…等特徵值、max(feature)為該特徵值中的最大值、min(feature)為該特徵值中的最小值。

第二階段：考量空氣品質變數，詳述如以下步驟。

再參閱圖1，該步驟（C）為該溫度預測系統對該N個資料篩選結果分別執行非監督學習演算法而得到N個資料維度轉換結果，每一資料維度轉換結果分別可表示為X’ ^t、X’ ^t-1、X’ ^t-2、X’ ^t-3、X’ ^t-4…。

配合參閱圖5，該步驟（C）進一步包括一子步驟（C1）、一子步驟（C2）、一子步驟（C3）、一子步驟（C4），及一子步驟（C5）。

該子步驟（C1）為該溫度預測系統對每一資料篩選結果執行維度下降轉換（例如Encoder轉換）而各自得到一對應的編碼結果。

該子步驟（C2）為該溫度預測系統對每一編碼結果執行維度提升轉換（例如Decoder轉換）而各自得到一對應的解碼結果。

該子步驟（C3）為該溫度預測系統根據每一編碼結果與對應的解碼結果各自生成一對應的損失函數，每一損失函數相關於對應的解碼結果與資料篩選結果的歐氏幾何距離，其中，該損失函數的運算式為L=||DE(X’ ^t)−X ^t||=||DE(EN(X ^t))−X ^t||），L為該損失函數，X ^t為資料篩選結果，X ^’t為資料維度轉換結果，EN(X ^t)為該編碼結果，DE(EN(X ^t))為該解碼結果，DE(X’ ^t)為將該編碼結果執行維度提升轉換，神經網路進行優化的過程中則利用該損失函數進行梯度下降法，逐步修正優化。

該子步驟（C4）為該溫度預測系統預設一第一臨界值，並分別判斷每一損失函數對應的值是否小於該第一臨界值。

該子步驟（C5）為若該子步驟（C4）的判斷結果為是，則將對應的編碼結果指示為該資料維度轉換結果。

第三階段：連續時間空氣品質預測，詳述如以下步驟。

再參閱圖1，該步驟（D）為該溫度預測系統對該等資料維度轉換結果執行一類神經網路轉換以得到一溫度預測模型，須再補充的是，該類神經網路轉換的演算法為自我注意機制。

該步驟（E）為向量轉換、計算輸入向量分數，及結合類神經網路結構，具體而言，為該溫度預測系統先以該溫度預測模型對其中一資料維度轉換結果運算以產生一預測溫度，具體而言，該溫度預測模型先將該資料維度轉換結果轉換為自我注意機制演算法中的三個Key、Query、Value向量而產生三個對應的類神經網路模型，接著對三個類神經網路模型執行softmax運算而得到一對應的向量結果a ^t-1，需再說明的是，在該步驟（E）中，亦可對每一資料維度轉換結果轉換為對應的Key、Query、Value向量而產生對應的類神經網路模型，並將該等資料維度轉換結果定的類神經網路模型執行softmax運算而得到該向量結果。根據每一個不同時間點 T，我們都可以藉此獲得各自的向量結果a ^T，利用 T=t-2、T=t-1以及T=t 所生成的a ^t-2、a ^t- ^十 ¹及a ^t配合真實資料的X ^t-2、X ^t-1及X ^t，結合Encoder 架構進行數個時間點Y’ ^t、Y’ ^t+1及Y’ ^t+2的預測。

該步驟（F）為該溫度預測系統預設一門檻值，該溫度預測系統將該後面數個時間點的預測溫度與同一時間所對應的實際溫度進行比較而得到一比較結果，若該比較結果高於該門檻值，也就是預測溫度將高於門檻值，則可提醒使用者進行空調的調整或是進行自動空調制御（控制）。

綜上所述，考量多時間點的多種環境參數作為輸入特徵進行溫度預測，其中輸入特徵為溫度、濕度、二氧化碳濃度..等組合，並利用深度學習模型進行特徵萃取及特徵編碼，以建立自適應機制，並可根據溫度變化自動重新訓練模型，進而取代舊模型達成優化效果，故確實達成本發明的創作目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。

A:步驟 B:步驟 C:步驟 D:步驟 E:步驟 F:步驟 A1:子步驟 A2:子步驟 B1:子步驟 B2:子步驟 C1:子步驟 C2:子步驟 C3:子步驟 C4:子步驟 C5:子步驟 A2-1:次要步驟 A2-2:次要步驟 A2-3:次要步驟

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1為一流程圖，說明本發明溫度預測方法的一實施例；圖2為一流程圖，說明該實施例的一步驟（A）；圖3為一流程圖，說明該實施例的一子步驟（A2）；圖4為一流程圖，說明該實施例的一步驟（B）；及圖5為一流程圖，說明該實施例的一步驟（C）。

A:步驟

B:步驟

C:步驟

D:步驟

E:步驟

F:步驟

Claims

一種溫度預測方法，由一溫度預測系統執行，該溫度預測方法包含：(A)該溫度預測系統根據N個不同時間點的環境參數組合預處理分別產生N個預處理結果，每一環境參數組合包括M個環境參數，每一環境參數各自至少為溫度、濕度、懸浮微粒其中之一；(B)該溫度預測系統對該N個預處理結果分別執行資料統計運算而得到N個資料篩選結果；(C)該溫度預測系統對該N個資料篩選結果分別執行非監督學習演算法而得到N個資料維度轉換結果；(D)該溫度預測系統對該等資料維度轉換結果執行一類神經網路轉換以得到一溫度預測模型；及(E)該溫度預測系統以該溫度預測模型對其中一資料維度轉換結果運算以產生一預測溫度。
如請求項1所述的溫度預測方法，更包括一步驟(F)，該溫度預測系統預設一門檻值，該溫度預測系統將該預測溫度與同一時間所對應的實際溫度進行比較而得到一比較結果，若該比較結果不低於該門檻值，則回到該步驟(A)。
如請求項1所述的溫度預測方法，該步驟(A)包括以下子步驟，(A1)該溫度預測系統分別於N個時間點對一室內空間的溫度、濕度、懸浮微粒進行偵測以得到該N個環境參數組合，及(A2)該溫度預測系統分別對N個環境參數組合各自的M個環境參數執行一預處理運算，而得到該N個預處理結果，該預處理運算為根據每一環境參數組合當下對應的時間點進行週期性弦波函數轉換。
如請求項3所述的溫度預測方法，其中，該子步驟(A2)包括以下次要步驟，(A2-1)該溫度預測系統記錄每一環境參數組合當下對應的一時間參數，該時間參數包括年、月、週、日、小時、分鐘、秒，(A2-2)該溫度預測系統將每一時間參數進行週期性三角函數轉換，及(A2-3)該溫度預測系統根據該次要步驟(A2-2)的轉換結果連同該N個環境參數組合產生該N個預處理結果。
如請求項4所述的溫度預測方法，其中，該次要步驟(A2-2)進行週期性三角函數轉換的公式為，

為年的週期性參數、
為月的週期性參數、
為週的週期性參數、
為日的週期性參數、month為月、week為週、day為日、hour為小時、min為分鐘、sec為秒。
如請求項1所述的溫度預測方法，其中，該步驟(B)包括以下子步驟，(B1)該溫度預測系統對該N個預處理結果執行離群值分析，及(B2)該溫度預測系統對該子步驟(B1)的結果進行歸一化運算得到該N個資料篩選結果。
如請求項6所述的溫度預測方法，其中，在該子步驟(B2) 中，歸一化運算公式為
， feature為對執行離群分析後的預處理結果中的…、max(feature)為特徵值中的最大值、min(feature)為特徵值中的最小值。
如請求項1所述的溫度預測方法，其中，該步驟(C)包括以下子步驟，(C1)該溫度預測系統對每一資料篩選結果執行維度下降轉換而各自得到一對應的編碼結果，(C2)該溫度預測系統對每一編碼結果執行維度提升轉換而各自得到一對應的解碼結果，(C3)該溫度預測系統根據每一編碼結果與對應的解碼結果各自生成一對應的損失函數，每一損失函數相關於對應的解碼結果與資料篩選結果的歐氏幾何距離，(C4)該溫度預測系統預設一第一臨界值，並分別判斷每一損失函數對應的值是否小於該第一臨界值，及 (C5)若是，則該溫度預測系統將對應的編碼結果指示為該資料維度轉換結果。
如請求項8所述的溫度預測方法，其中，該損失函數的運算式為L=∥DE(X’^t)-X^t∥=∥DE(EN(X^t))-X^t∥)，L為該損失函數，X^t為資料篩選結果，X^’t為資料維度轉換結果，EN(X^t)為編碼結果，DE(EN(X^t))為解碼結果，DE(X’^t)為將該編碼結果執行維度提升轉換。
如請求項1所述的溫度預測方法，其中，在該步驟(D)中，該類神經網路轉換的演算法為自我注意機制。