TY -的A2 - Wan, Shaohua AU -王,王宏斌AU -李,弘益盟——高,石涛盟——周,阎连科盟——老挝(PY - 2022 DA - 2022/12/15 TI - Multigranularity建筑能源消耗基于卷积递归神经网络预测方法SP - 8524034六世- 2022 AB -建筑能耗模型规模复杂敏感,很难达到理想的单一粒度预测模型预测效果。因此,本文提出了一种multigranularity MgHa-LSTM模型基于卷积递归神经网络,包括multigranularity特征提取模块和一个长期依赖捕获模块。Multigranularity特征提取包括粒度分割、反馈机制和并行卷积模块,它可以捕捉短期量表敏感依赖性。长期依赖捕获包含一个混合的注意机制和多空词记忆层,能捕捉到的长期依赖。建筑能源消费模式与不同规模的敏感性,MgHa-LSTM,延时,CNN, LSTM和MsC-LSTM模型构建在IHEPC建筑能耗数据集在本文中用于比较实验。IHEPC数据集上的实验结果表明,建筑能耗预测模型的均方误差是0.2821基于MgHa-LSTM模型提出了,相当于93.72%的MsC-LSTM模型与最小均方误差等深度学习预测模型。与其他深度学习预测模型相比,预测的结果MgHa-LSTM建筑能耗预测模型更加准确。SN - 1530 - 8669你2022/8524034 / 10.1155——https://doi.org/10.1155/2022/8524034——摩根富林明——无线通信和移动计算PB - Hindawi KW - ER