基于Hadoop的建筑能耗预测模型构建与研究-计算机科学与技术专业论文.docxVIP

万方数据 万方数据 独 创 性 声 明 本人声明，所呈交的论文是本人在导师指导下进行的研究工作 及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包 含为获得武汉理工大学或其它教育机构的学位或证书而使用过的材 料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作 了明确的说明并表示了谢意。 签 名： 日 期： 学位论文使用授权书 本人完全了解武汉理工大学有关保留、使用学位论文的规定， 即学校有权保留并向国家有关部门或机构送交论文的复印件和电子 版，允许论文被查阅和借阅。本人授权武汉理工大学可以将本学位 论文的全部内容编入有关数据库进行检索，可以采用影印、缩印或 其他复制手段保存或汇编本学位论文。同时授权经武汉理工大学认 可的国家有关机构或论文数据库使用或收录本学位论文，并向社会 公众提供信息服务。 （保密的论文在解密后应遵守此规定） 研究生（签名）： 导师（签名）： 日期 摘要 建筑能耗与工业能耗和交通能耗并称为社会三大能耗,已经成为制约我国 经济长期快速增长的沉重负担。对既有建筑进行能耗预测，可以分析和改造设 计方案，实现低耗能设计，对建筑节能设计具有指导意义。为了从庞大的建筑 能耗数据资源中找到我们所需要的信息，必须依靠有效的数据分析和数据挖掘 技术。传统的数据分类预测算法往往只能处理小样本数据，当建筑能耗数据样 本规模很大时，计算量急剧增加，网络训练时间长，这成为传统算法的无法克 服的问题。云计算的兴起，将传统的分类预测算法进行并行化处理，有效地解 决了大规模数据分类预测问题。本文的主要研究内容为： （1）根据采集到的建筑能耗数据样本数据量大、维度高等特点，利用粗糙 集理论进行数据样本的属性约简，以确定影响建筑能耗的主要因素。采用基 于 MapReduce 的大规模数据约简算法，与串行约简算法作对比，在获得相同 的约简效果的同时，可以大大缩减数据预处理的时间，提高效率。 （2）针对已经进行数据预处理的样本的输入输出特点，确定用于能耗预测的 BP 神经网络的拓扑结构，如网络层级数、每层的神经元数，连接方式，传递函 数和学习算法等，构建建筑能耗预测模型。针对普通 BP 神经网络算法存在的训 练时间长，容易收敛到局部极小值等缺点，采用遗传算法对已构建的网络模型 进行优化，得到神经网络最优的初始权值和阈值，并将预测结果与标准模型进 行对比。实验结果表明经过遗传算法优化的神经网络模型无论收敛速度还是预 测精度都得到提高。该模型仅适用于小样本的建筑能耗预测。 （3）利用基于 RBF 的建筑能耗预测模型，针对本文的输入输出参数，设计实 验，实验结果发现基于 RBF 构建的模型收敛速度虽然比 BP 构建的模型收敛速 度快，但是预测精度并没有很大程度的提高。相比于经过遗传优化的 BP 神经网 络算法，RBF 无论在收敛速度还是预测精度上都没有表现出优势。因此建筑能 耗的预测模型选择 BP 神经网络模型，并利用遗传算法优化其初始权值和阈值。 （4）寻找普通 BP 算法的并行点，并将其进行 MapReduce 扩展，构建并行的 大规模建筑生命周期能耗预测模型并部署在 Hadoop 分布式平台上实现。将本文 提出的基于 MapReduce 的 BP 神经网络算法应用于大规模建筑能耗预测中，实 验中初始权值和阈值选择遗传算法优化得到的结果。在保证预测精度的前提下， 本文提出的算法在面对大规模的建筑信息数据时有着传统 BP 算法无可比拟的优 势，其运算速度明显优于传统算法。尤其是当传统算法无法对样本进行训练时， I 本文提出的算法优势更为明显。 本文的创新工作主要体现在两方面： (1) 数据预处理时采用了针对大规模数据的 MapReduce 数据约简算法； (2) 针对大规模建筑能耗数据，构建了基于 MapReduce 的并行 BP 神经网络模型。 关键词：并行神经网络，MapReduce，建筑能耗，数据约简 II Abstract Building energy consumption, industrial energy consumption and transportation energy consumption are the three major energy consumption of the society. Building energy consumption has been a great burden that restricts our economic development. Predicting the energy consumption of exsiting buildings can be used to analyze an