买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉烟台科创捷能机电工程有限公司;山东世纪科创节能管理有限公司;烟台全维智能科技有限公司申请的专利一种建筑能耗预测模型训练方法及设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120995105B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511090137.5，技术领域涉及：G06F18/214；该发明授权一种建筑能耗预测模型训练方法及设备是由穆晓飞;丁晨浩;郑明辉;路庆芬设计研发完成，并于2025-08-05向国家知识产权局提交的专利申请。

本一种建筑能耗预测模型训练方法及设备在说明书摘要公布了：本发明涉及人工智能与数据处理技术领域，具体涉及一种建筑能耗预测模型训练方法及设备，具体如下：通过建筑信息模型获取建筑结构参数，部署物联网传感器进行采集动态数据，然后整合成建筑能耗数据库，再对数据进行人工标注；将采集的数据进行时空对齐，并进行插值、降噪和归一化操作，得到时空关联矩阵；构建基于时空图卷积网络的建筑能耗预测模型，将时空关联矩阵输到模型中进行训练；将新采集的数据输到训练好的模型中，得到建筑能耗的分类结果。本发明通过对建筑能耗预测模型进行训练实现模型对数据的高效处理和自动调优，提高预测结果的准确性，降低重复开发成本，适用于智能建筑、绿色建筑与智慧城市中的能源管理系统。

本发明授权一种建筑能耗预测模型训练方法及设备在权利要求书中公布了：1.一种建筑能耗预测模型训练方法，其特征是，包括以下步骤： S1、通过BIM建筑信息模型获取建筑结构参数，并通过部署物联网传感器进行采集温湿度、人流密度动态数据，将获取的数据进行整合构成建筑能耗数据库，再由本领域专家根据获取的数据进行人工标注，对获取的数据进行建筑能耗等级分类； S2、将采集的数据进行时间和空间上的对齐，对采集的数据进行插值，补全空缺区域的数据，并进行降噪和归一化操作，最终得到预处理后的时空关联矩阵； S3、对预设的建筑能耗预测模型进行训练，构建基于时空图卷积网络的建筑能耗预测模型，将时空关联矩阵输入至建筑能耗预测模型中进行训练，重复迭代训练过程，直至满足预设的停止迭代条件，得到训练好的模型； 建筑能耗预测模型的训练具体操作如下： 构建基于时空图卷积网络的建筑能耗预测模型，模型包括输入层、隐藏层和输出层，将时空关联矩阵输入至建筑能耗预测模型，经过输入层后输入至隐藏层，隐藏层包括时间维度和空间维度，对于时间维度数据，通过不同膨胀率的因果卷积捕捉多粒度时序特征，对于空间维度数据，通过节点特征自生成邻接矩阵，得到时间维度和空间维度的输出，然后将时间维度和空间维度输出进行融合后输入至输出层，通过Softmax分类器输出五级能耗的概率分布，输出概率最高的分类结果即为建筑能耗的分类结果； 然后构建复合损失函数，根据损失函数调整模型的参数； 迭代对建筑能耗预测模型的训练过程，直至复合损失函数值满足预设的停止迭代条件，结束训练，得到训练好的建筑能耗预测模型； 隐藏层中的具体操作如下： 1时间维度上，从时空关联矩阵中提取时序特征，，表示第个节点的时序特征序列，，设置不同大小周期的膨胀卷积率，，分别对应1小时、3小时、6小时周期，通过多尺度因果膨胀卷积计算模型中每一层提取的时间维度的特征，然后根据每一层输出的时间维度特征逐层计算层的输出每个节点处的时间特征矩阵，计算公式如下： ， 其中，表示模型中第层输出的时间维度特征，表示层归一化操作，表示第层周期为的分支权重，表示第层周期为的卷积核权重，表示模型的层数； 2空间维度上，根据时空关联矩阵中的节点构成空间特征矩阵，模型中第层的空间特征矩阵表示为，，表示特征维度，通过查询可训练参数和键可训练参数生成动态邻接矩阵，计算公式如下： ， 然后根据得到的动态邻接矩阵预测下一层的空间特征矩阵，直至得到模型中第层的输出的空间特征矩阵，即为空间维度的输出，下一层空间特征矩阵的计算公式如下： ， 其中，表示非线性激活函数操作，表示值可训练矩阵； S4、将新采集的数据输入至训练好的模型中，得到建筑能耗的分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人烟台科创捷能机电工程有限公司;山东世纪科创节能管理有限公司;烟台全维智能科技有限公司，其通讯地址为：264006 山东省烟台市莱山区迎春大街133号科技创业大厦；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。