1.本技术涉及能源预测与数据处理技术领域，更为具体来说，本技术涉及一种建筑能源预测方法、装置、存储介质及程序产品。
背景技术：2.提高建筑能源利用率并减少建筑碳排，能为建筑师、工程师、规划师和能源政策制定者等等带来较大的便利，这就需要定量工具来精准评估其建筑物的现有能源情况，并对建筑能源消耗进行准确预测。
3.目前，基于仿真法、降阶法和数据驱动法被广泛应用于城市建筑能耗预测中，然而这些方法对指标的提取仅仅考虑了建筑本体和建筑内用能系统的能耗情况，未考虑城市环境对建筑的影响及建筑间能源相互作用。
技术实现要素：4.基于上述技术问题，本发明旨在通过地理信息系统(gis)对历史城市空间数据进分分析与处理，提取出城市空间形态因变量和自变量，并基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型，通过优化后的模型来预测出目标城市空间的能源需求。
5.本发明第一方面提供了一种建筑能源预测方法，所述方法包括：
6.获取历史城市空间数据；
7.将所述历史城市空间数据转换为城市空间结构化数据；
8.将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；
9.基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；
10.基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型；
11.采用优化后的模型预测出目标城市空间的能源需求。
12.在本发明的一些实施例中，所述将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出预设数目个指标作为城市空间形态因变量之后，还包括：
13.可视化分析城市空间形态因变量与所述城市空间结构化数据中除所述可视化分析城市空间形态因变量之外的数据的关系；
14.基于分析出的关系确定出第二预设数目个城市空间形态自变量。
15.在本发明的一些实施例中，所述基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型，包括：
16.获取所述城市空间形态自变量；
17.基于多元线性回归方法对所述城市空间形态因变量和所述城市空间形态自变量构建能源预测动态模型。
18.在本发明的一些实施例中，所述能源预测动态模型的公式为：
[0019][0020]
其中，表示城市空间形态因变量，和表示城市空间形态自变量，e1(t，e2(t)和e3(t)表示对城市空间形态自变量的矫正因子。
[0021]
在本发明的一些实施例中，所述基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型，包括：
[0022]
输入城市空间形态自变量对应的数值至所述能源预测动态模型；
[0023]
根据所述能源预测动态模型的输出结果和预设误差公式调整所述能源预测动态模型的参数；
[0024]
采用调整参数后的能源预测动态模型预测测试地点的能源需求；
[0025]
将实际测量的所述测试地点的数据和预测结果进行比较分析，并融合所述预设误差公式动态优化所述能源预测动态模型。
[0026]
在本发明的一些实施例中，所述将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量，包括：
[0027]
将所述城市空间结构化数据输入地理信息系统进行归类与合并；
[0028]
消除在归类与合并过程中的冲突数据与噪声数据；
[0029]
利用arctoolbox分析工具叠加分析归类与合并后的城市空间结构化数据；
[0030]
根据叠加分析结果提取出第一预设数目个指标作为城市空间形态因变量。
[0031]
在本发明的一些实施例中，所述获取历史城市空间数据，包括：
[0032]
通过实际拍照测量或依据城市规划文件得到地理数据；
[0033]
采集国家建筑能源标准中地理位置对应的能源数据；
[0034]
根据所述地理数据和所述能源数据计算各空间单位的能源统计数据；
[0035]
将所述地理数据、所述能源数据和所述能源统计数据统作为历史城市空间数据。
[0036]
本发明第二方面提供了一种基于地理信息系统指标提取的建筑能源预测装置，所述装置包括：
[0037]
获取模块，获取历史城市空间数据；
[0038]
转换模块，用于将所述历史城市空间数据转换为城市空间结构化数据；
[0039]
整合与提取模块，将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；
[0040]
建模模块，用于基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；
[0041]
优化模块，用于基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，优化所述能源预测动态模型；
[0042]
能源预测模块，用于采用优化后的模型预测出目标城市空间的能源需求。
[0043]
本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0044]
获取历史城市空间数据；
[0045]
将所述历史城市空间数据转换为城市空间结构化数据；
[0046]
将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；
[0047]
基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；
[0048]
基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型；
[0049]
采用优化后的模型预测出目标城市空间的能源需求。
[0050]
本发明第四方面提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0051]
获取历史城市空间数据；
[0052]
将所述历史城市空间数据转换为城市空间结构化数据；
[0053]
将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；
[0054]
基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；
[0055]
基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型；
[0056]
采用优化后的模型预测出目标城市空间的能源需求。
[0057]
本技术实施例中提供的技术方案，至少具有如下技术效果或优点：
[0058]
本技术先获取历史城市空间数据，将所述历史城市空间数据转换为城市空间结构化数据，将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量，基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型，基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型，采用优化后的模型预测出目标城市空间的能源需求，由于模型通过实际测量值和预测值的比较分析而动态优化，因此预测精准度很高，提升了能源预测的效率。特别是本技术通过地理信息系统可视化叠加分析和整合处理，提取出城市空间形态因变量和城市空间形态自变量建模可以减少对人工操作的依赖，适应能力强，泛化能力强，可靠性高，节省时间成本，从而提升了数据处理和能源预测的效率。
[0059]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
[0060]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0061]
图1示出了本技术一示例性实施例中的建筑能源预测方法步骤示意图；
[0062]
图2示出了本技术另一示例性实施例中的建筑能源预测方法工作过程示意图；
[0063]
图3示出了本技术一示例性实施例中的实际测量和预测数值对比示意图；
[0064]
图4示出了本技术一示例性实施例中的建筑能源预测装置结构示意图；
[0065]
图5示出了本技术一示例性实施例所提供的一种计算机设备的结构示意图；
[0066]
图6示出了本技术一示例性实施例所提供的一种存储介质的示意图。
具体实施方式
[0067]
以下，将参照附图来描述本技术的实施例。但是应该理解的是，这些描述只是示例性的，而并非要限制本技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本技术的概念。对于本领域技术人员来说显而易见的是，本技术可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本技术发生混淆，对于本领域公知的一些技术特征未进行描述。
[0068]
应予以注意的是，这里所使用的术语仅是为了描述具体实施例，而非意图限制根据本技术的示例性实施例。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。
[0069]
现在，将参照附图更详细地描述根据本技术的示例性实施例。然而，这些示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施例。附图并非是按比例绘制的，其中为了清楚表达的目的，可能放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0070]
下面结合说明书附图1-附图6给出几个实施例来描述根据本技术的示例性实施方式。需要注意的是，下述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。相反，本技术的实施方式可以应用于适用的任何场景。
[0071]
目前，基于仿真法、降阶法和数据驱动法被广泛应用于城市建筑能耗预测中，然而这些方法对指标的提取仅仅考虑了建筑本体和建筑内用能系统的能耗情况，提取的过程缺少对数据更前面的分析与处理。
[0072]
因此，在本技术一些示例性实施例中，提供了一种建筑能源预测方法，如图1所示，所述方法包括：
[0073]
s1、获取历史城市空间数据；
[0074]
s2、将所述历史城市空间数据转换为城市空间结构化数据；
[0075]
s3、将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；
[0076]
s4、基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；
[0077]
s5、基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型；
[0078]
s6、采用优化后的模型预测出目标城市空间的能源需求。
[0079]
在一种可能的实现方式中，s1的获取历史城市空间数据可以通过以下步骤采集：通过实际拍照测量或依据城市规划文件得到地理数据；采集国家建筑能源标准中地理位置对应的能源数据；根据地理数据和能源数据计算各空间单位的能源统计数据；将地理数据、能源数据和能源统计数据统作为历史城市空间数据。能源数据的采集，建筑能源需求的主要信息来源是国家能源局颁发的国家建筑能源标准。有效的能源数据将根据地理位置参考从原始能源数据中提取。例如，能源数据包括典型年度当地气候条件(如平均制热日指数)
在特定条件下(如温度阈值)下的标准能源需求(用于加热和冷却)。
[0080]
这里采集的地理数据格式有矢量数据结构、栅格数据结构。其中，矢量方式表达的地理数据位置精度较高，具有显式地建立目标的空间关系的能力，适合于实体对象的几何转换及拓扑关系描述，且图形输出效率较高，但叠加分析时相应地会需要更多的分析时间。从城市规划文件或实际拍照获得的矢量格式数据包括建筑物、市政总体规划、街道网络等等。在具体的采集数据的实施中，建筑物及街道提取还可通过数据可视化方法分两个阶段进行，语义分割和多边化。语义分割使用dnn识别航拍图像/规划上的建筑像素。而多边化是将建筑像素斑点转换为多边形，此方法将预测像素图像近似为多边形，并根据整个预测特征空间做出决策。但该方法中的某些属性需要手动定义和自动调整，例如：建筑边缘过短时不利于识别，需要手动将建筑边缘延长，连续的角度非常尖锐需要通过一些自动调谐的阈值调整。地理数据表达着同质化的空间即同质化的物理结构，考虑了n个单位，这些单位需要使用id字段进行编码，以保证每个数据单元的形态特征是恒定的。
[0081]
优选地，能源数据还包括交通网络能源数据，能源统计数据还包括交通网络能源统计数据；交通网络能源数据的采集从交通分配模型中获取，交通网络能源统计数据基于人口比例的归一化处理及计算得到。交通网络能源数据的数据收集可从交通分配模型(私家车)中获得od矩阵，od矩阵是一片交通划分的区域中，对所有交通分区按行(起点区)与列(起点区)排序，以任意两分区之间的居民或车辆出行量(od矩阵)为元素的矩阵，用来表征从一个地方到另一个地方的路径上的拥堵程度。通过od矩阵可对m个流量区域中的公共交通指数进行估算。同时通过基于人口比例的归一化处理，可计算出空间单位中的年平均人口流量。将能源数据与地理位置参考(空间单位id)相匹配，计算加热和冷却的平均能源需求。
[0082]
在一种可能的实现方式中，s2中将所述历史城市空间数据转换为城市空间结构化数据，实际上就是将由地理数据、能源数据和能源统计数据统组成的历史城市空间数据变成地理信息系统可以识别的结构化数据，因为获取的数据量巨大，需要以建立数据库的标准将要输入地理信息系统(gis)的地理数据、能源数据和能源统计数据规范化，有的需要合并，有的需要拆分，结构化历史城市空间数据要形成有序的数据元，在后续输入地理信息系统时以便于做进一步的数据分析和整合处理。换言之，由于各自变量的离散和分解程度较高但又互相关联，我们使用地理信息系统即gis中合并/连接的手段，让这些数据通过一些共同属性绑定在一起，以便于实现对数据整体或局部规律的分析乃至处理。
[0083]
在一种可能的实现方式中，在s3中将城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量，包括：将城市空间结构化数据输入地理信息系统进行归类与合并；消除在归类与合并过程中的冲突数据与噪声数据；利用arctoolbox分析工具叠加分析归类与合并后的城市空间结构化数据；利用地理信息系统的核密度工具和线密度工具进行数据分析，基于叠加分析结果和核密度工具和线密度工具的分析结果提取出第一预设数目个指标作为城市空间形态因变量。gis具有内置模型，可以对输入的结构化的数据进行可视化分析、可视化整合处理，例如，选择适当时间间隔内的城市空间数据生成相应的地图，将地图和所输入的结构化数据在gis可交互界面上做叠加分析，进而在地理数据、能源数据和能源统计数据中找到城市空间形态因变量。
[0084]
优选地，将城市空间结构化数据输入地理信息系统进行整合处理并提取出预设数
目个指标作为城市空间形态因变量之后，还包括：可视化分析城市空间形态因变量与城市空间结构化数据中除可视化分析城市空间形态因变量之外的数据的关系；基于分析出的关系确定出第二预设数目个城市空间形态自变量。这里的第一预设数目和第二预设数目只是做了形式区分，在具体提取时，例如，第一预设数目为3，分别是供暖能源净需求eu、冷却能源净需求eb和环境交通能源需求e
t
，而第二预设数目是13。自变量抽取出的是地面空间指数gs、建筑面积指数fs、建筑数量nf、区块大小as、混合使用指数mi、绿地空间分布ai、表面积/体积比tr、公共交通pe、行人re、影响范围t
r_d
、公共路径密度cd和覆盖数目的街道长度tree等。再例如是可收集与建筑空间热能耗有关的指标，例如耗电元件及涉及热传递的建筑材料，例如：空调系统，暖通系统，灯等与热传递及散热有关的指标。通过bim模型提供的数据，可明确建筑能耗相关指标如元件位置、额定功率等，进而提炼出建立动态模型所需的变量。
[0085]
在一种具体的实现方式中，如图2所示，通过对耗能元件的额定能耗进行估算及外界因素对能耗的影响估算，基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型，具体为获取所述城市空间形态自变量，基于多元线性回归方法对所述城市空间形态因变量和所述城市空间形态自变量构建能源预测动态模型。所述能源预测动态模型的公式为：
[0086][0087]
其中，表示城市空间形态因变量，和表示城市空间形态自变量，如图2所示，e1(t，e2(t)和e3(t)表示对城市空间形态自变量的矫正因子。
[0088]
在一种优选的实施方式中，为建筑围护结构散失的热量，可表示为：
[0089][0090]
代表室内空气的热量，可表示为:
[0091][0092]
代表室内热质量，可表示为:
[0093][0094]
其中，t
env
，t
ia
，t
oa
分别代表建筑维护结构温度、室内空气温度和室外空气温度。c
env
，c
ia
,c
ma
分别代表环境、内部空气、热质量的比热容，r
i,e
代表室内空气和建筑围护结构之间的热阻，r
o,e
是室外空气和建筑围护结构之间的热阻，r
i,m
是室内空气和内部热量之间
的热阻。可见，自变量和因变量是相对而言的，如就而言，和表示自变量，但对上述而言，t又变为自变量。
[0095]
在一种具体的实施例中，s5中基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型，包括：输入城市空间形态自变量对应的数值至所述能源预测动态模型；根据所述能源预测动态模型的输出结果和预设误差公式调整所述能源预测动态模型的参数；采用调整参数后的能源预测动态模型预测测试地点的能源需求；将实际测量的所述测试地点的数据和预测结果进行比较分析，并融合所述预设误差公式动态优化所述能源预测动态模型。
[0096]
在一种优选的实施方式中，预设误差公式采用：
[0097][0098]
其中，tk和分别为时间步长k时的实际温度和预测室外温度，如图3所示，上边的线表示预测温度，下边的线表示测量温度，ek为时间步长为k时的预测误差。e
k+t
是估计的预测误差：
[0099]ek+t
＝r(t)
·ek
,t＝1,2,3,
···
,12
[0100]ek
是当前时间步长k处的已知预测误差，而参数0《r(t)《1是一个加权函数，描述了当前预测误差对未来的预测误差的预测效果随时间的增加而递减。r(t)可表示为：
[0101][0102][0103]
t
k+t
是未来估计的室外温度，是利用能源预测动态模型预测的室外温度，以及e
k+t
是公式给出的预计预测误差，利用上述公式通过对误差的控制及调整模型的矫正因子(能源预测动态模型的参数)，不断优化，使预测值更精准。本技术旨在通过利用控制方程来降低能源成本并保持建筑物的热舒适性，可将此模型视为非线性函数拟合预测问题，并利用多元线性回归方法解决，因为利用模型预测控制是处理上述相互冲突的优化目标的理想控制策略。
[0104]
在一种具体的实现方式中，s6中采用优化后的模型预测出目标城市空间的能源需求是在模型通过比较实际测量值和预测值及误差的将模型调整到很稳定时才能用于预测能源需求。本技术使用动态建筑模型来预测建筑物的未来的热行为，在存在干扰和约束的情况下在预测范围内最小化某个目标函数，使用目标函数可以组合几个相互冲突的优化目标，能够通过运行控制策略来确保这些冲突的优化目标之间的最佳权衡。
[0105]
当然可以理解的是，还可增加最后一步，就是知识发现，即将模型预测结果转换为知识。具体而言，知识发现通过机器学习的办法实现。
[0106]
本技术先获取历史城市空间数据，将所述历史城市空间数据转换为城市空间结构化数据，将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量，基于多元线性回归方法对所述城市空间形态因变量构
建能源预测动态模型，基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型，采用优化后的模型预测出目标城市空间的能源需求，由于模型通过实际测量值和预测值的比较分析而动态优化，因此预测精准度很高，提升了能源预测的效率。特别是本技术通过地理信息系统可视化叠加分析和整合处理，提取出城市空间形态因变量和城市空间形态自变量建模可以减少对人工操作的依赖，适应能力强，泛化能力强，可靠性高，节省时间成本，从而提升了数据处理和能源预测的效率。
[0107]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
[0108]
本实施例中还提供了一种建筑能源预测装置，如图4所示，该装置用于执行上述任一实施例提供的建筑能源预测方法，所述装置包括：
[0109]
获取模块，获取历史城市空间数据；
[0110]
转换模块，用于将所述历史城市空间数据转换为城市空间结构化数据；
[0111]
整合与提取模块，将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；
[0112]
建模模块，用于基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；
[0113]
优化模块，用于基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，优化所述能源预测动态模型；
[0114]
能源预测模块，用于采用优化后的模型预测出目标城市空间的能源需求。
[0115]
可以理解的是，所述装置的各模块与地理信息系统即gis的原内置模块是相融的，不再做其余限定。
[0116]
还需要强调的是，本技术实施例中提供的系统可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0117]
下面请参考图5，其示出了本技术的一些实施方式所提供的一种计算机设备的示意图。如图5所示，所述计算机设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的建筑能源预测方法。
[0118]
其中，存储器201可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
[0119]
总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，
执行所述程序，前述本技术实施例任一实施方式揭示的所述建筑能源预测方法可以应用于处理器200中，或者由处理器200实现。
[0120]
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
[0121]
本技术实施方式还提供一种与前述实施方式所提供的建筑能源预测方法对应的计算机可读存储介质，请参考图6，图6示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的建筑能源预测方法。
[0122]
另外，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
[0123]
本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的空分复用光网络中量子密钥分发信道分配方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0124]
本技术实施方式还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述任意实施方式所提供的建筑能源预测方法的步骤，包括：获取历史城市空间数据；将所述历史城市空间数据转换为城市空间结构化数据；将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型；采用优化后的模型预测出目标城市空间的能源需求。
[0125]
需要说明的是：在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0126]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0127]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0128]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0129]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。
技术特征：1.一种建筑能源预测方法，其特征在于，所述方法包括：获取历史城市空间数据；将所述历史城市空间数据转换为城市空间结构化数据；将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型；采用优化后的模型预测出目标城市空间的能源需求。2.根据权利要求1所述的建筑能源预测方法，其特征在于，所述将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出预设数目个指标作为城市空间形态因变量之后，还包括：可视化分析城市空间形态因变量与所述城市空间结构化数据中除所述可视化分析城市空间形态因变量之外的数据的关系；基于分析出的关系确定出第二预设数目个城市空间形态自变量。3.根据权利要求2所述的建筑能源预测方法，其特征在于，所述基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型，包括：获取所述城市空间形态自变量；基于多元线性回归方法对所述城市空间形态因变量和所述城市空间形态自变量构建能源预测动态模型。4.根据权利要求3所述的建筑能源预测方法，其特征在于，所述能源预测动态模型的公式为：其中，表示城市空间形态因变量，和表示城市空间形态自变量，e1(t)，e2(t)和e3(t)表示对城市空间形态自变量的矫正因子。5.根据权利要求4所述的建筑能源预测方法，其特征在于，所述基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，动态优化所述能源预测动态模型，包括：输入城市空间形态自变量对应的数值至所述能源预测动态模型；根据所述能源预测动态模型的输出结果和预设误差公式调整所述能源预测动态模型的参数；采用调整参数后的能源预测动态模型预测测试地点的能源需求；将实际测量的所述测试地点的数据和预测结果进行比较分析，并融合所述预设误差公式动态优化所述能源预测动态模型。6.根据权利要求1所述的建筑能源预测方法，其特征在于，所述将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量，包括：将所述城市空间结构化数据输入地理信息系统进行归类与合并；
消除在归类与合并过程中的冲突数据与噪声数据；利用arctoolbox分析工具叠加分析归类与合并后的城市空间结构化数据；根据叠加分析结果提取出第一预设数目个指标作为城市空间形态因变量。7.根据权利要求1所述的建筑能源预测方法，其特征在于，所述获取历史城市空间数据，包括：通过实际拍照测量或依据城市规划文件得到地理数据；采集国家建筑能源标准中地理位置对应的能源数据；根据所述地理数据和所述能源数据计算各空间单位的能源统计数据；将所述地理数据、所述能源数据和所述能源统计数据统作为历史城市空间数据。8.一种基于地理信息系统指标提取的建筑能源预测装置，其特征在于，所述装置包括：获取模块，获取历史城市空间数据；转换模块，用于将所述历史城市空间数据转换为城市空间结构化数据；整合与提取模块，将所述城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；建模模块，用于基于多元线性回归方法对所述城市空间形态因变量构建能源预测动态模型；优化模块，用于基于对实际测量数据和所述能源预测动态模型的预测结果之间的比较分析，优化所述能源预测动态模型；能源预测模块，用于采用优化后的模型预测出目标城市空间的能源需求。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任一所述方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任一所述方法的步骤。
技术总结本申请涉及能源预测与数据处理技术领域，更为具体来说，本申请涉及一种建筑能源预测方法、装置、存储介质及程序产品。所述方法包括：获取历史城市空间数据；将历史城市空间数据转换为城市空间结构化数据；将城市空间结构化数据输入地理信息系统进行整合处理并提取出第一预设数目个指标作为城市空间形态因变量；基于多元线性回归方法对城市空间形态因变量构建能源预测动态模型；基于对实际测量数据和能源预测动态模型的预测结果之间的比较分析，动态优化能源预测动态模型；采用优化后的模型预测出目标城市空间的能源需求。本申请由于模型通过实际测量值和预测值的比较分析而动态优化，因此预测精准度很高，提升了能源预测的效率。率。率。
技术研发人员：郭砚青 王振众 许琮维 黄亦雅 刘怡然
受保护的技术使用者：浙江省北大信息技术高等研究院 杭萧钢构股份有限公司
技术研发日：2022.07.14
技术公布日：2022/11/1
