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！

龙图腾网获悉武汉科技大学申请的专利用于提高LSTM可解释性和建筑能耗预测准确性的方法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：CN115222110B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202210746489.1，技术领域涉及：G06Q10/04；该发明授权用于提高LSTM可解释性和建筑能耗预测准确性的方法是由李冠男;李凡;徐成良;高佳佳;吴雨蓓;王勇;王子熙;陈亮;熊成龙;肖俊安;何卫建;詹磊设计研发完成，并于2022-06-29向国家知识产权局提交的专利申请。

本用于提高LSTM可解释性和建筑能耗预测准确性的方法在说明书摘要公布了：本发明公开了一种用于提高LSTM可解释性和建筑能耗预测准确性的方法，涉及建筑能耗预测技术领域，其技术要点为：包括以下步骤：S1、分析空间维度，即不同变量对最终预测结果的影响；S2、分析时间维度，即不同小时数对最终结果的影响。本发明定量地分析输入数据的时间和空间维度对最终建筑能耗预测的贡献，增加模型的可解释性，同时完全保留模型的表达能力，对于每个数据实例，本发明的方法可以为每个特征分配一个相关性分数，从而能够解释每个特征对最终决策的贡献程度，增加对所做预测的信任；最后通过剔除相关性小的空间和时间特征，达到提升长短期记忆网络模型的建筑能耗预测准确性的目的。

本发明授权用于提高LSTM可解释性和建筑能耗预测准确性的方法在权利要求书中公布了：1.一种用于提高LSTM可解释性和建筑能耗预测准确性的方法，其特征是：包括以下步骤： S1、分析空间维度，即不同变量对最终预测结果的影响： A、对原始数据进行预处理，原始数据经预处理后包含M个空间变量特征在N小时内的全部数据，并组成一个N×M的矩阵； B、将预处理后的数据划分为训练集与测试集，训练集数据用于训练长短期记忆网络模型，经训练后的模型用于测试集以初步生成预测值； C、将生成的预测值经空间-时间逐层相关性传播方法处理，空间-时间逐层相关性传播方法将每一个预测值返回一个与输入数据相同大小的矩阵，然后将该矩阵逐列求和取平均值，得到一个1×M的向量，该向量分别表示输入空间变量特征对预测值的相关性； D、剔除一个相关性最小的空间变量特征，剔除一个空间变量特征后的数据输入长短期记忆网络模型1中以输出预测值，采用均方根误差的变化系数评价指标对预测结果进行分析，再同初步所得预测值进行结果对比，若经空间-时间逐层相关性传播方法处理所得预测结果的均方根误差的变化系数的值较大，直接输出所剔除的一个空间变量特征的标签及最优的均方根误差的变化系数值；若经空间-时间逐层相关性传播方法处理所得预测结果的均方根误差的变化系数的值较小，则进一步剔除其它空间变量特征，输入的数据包含M-1个变量在N小时内的全部数据，并再经过步骤B至步骤C划分训练集、测试集并训练长短期记忆网络模型2生成预测值，再经空间-时间逐层相关性传播方法处理，剔除一个其它参数变量，直至经空间-时间逐层相关性传播方法处理所得的预测结果的均方根误差的变化系数的值比原长短期记忆网络模型所得的预测结果的均方根误差的变化系数的值大，输出所剔除的i个参数变量标签及最优的均方根误差的变化系数值，最终达到优化长短期记忆网络预测性能目的； S2、分析时间维度，即不同小时数对最终结果的影响： 1在步骤S1中剔除的i=a个参数变量后，输入数据为M-a个参数变量在N小时内的全部数据，组成一个N×M-a的矩阵； 2将数据划分为训练集与测试集，训练集数据用于训练长短期记忆网络模型1，经训练后的模型用于测试集以初步生成预测值； 3将生成的预测值经空间-时间逐层相关性传播方法处理，空间-时间逐层相关性传播方法将每一个预测值返回一个与输入数据相同大小的矩阵，然后将该矩阵逐行求和取平均值，得到一个N×1的向量，该向量分别表示时间维度特征对预测值的相关性； 4剔除一个相关性最小的时间维度特征，剔除一个时间维度特征后的数据输入长短期记忆网络模型2中以输出预测值，采用均方根误差的变化系数评价指标对预测结果进行分析，再同初步所得预测值进行结果对比，若经空间-时间逐层相关性传播方法处理所得预测结果的均方根误差的变化系数的值较大，直接输出所剔除的一个时间维度特征的标签及最优的均方根误差的变化系数值；若经空间-时间逐层相关性传播方法处理所得预测结果的均方根误差的变化系数的值较小，进一步剔除其它时间维度特征，输入的数据包含M-a个空间变量特征在N-1小时内的全部数据，并再经步骤2和步骤3划分训练集、测试集并训练长短期记忆网络模型生成预测值，再经空间-时间逐层相关性传播方法处理，剔除一个其它变量，直至经空间-时间逐层相关性传播方法处理所得的预测结果的均方根误差的变化系数的值比原长短期记忆网络模型所得的预测结果的均方根误差的变化系数的值大,输出所剔除的j个时间维度特征标签及最优的均方根误差的变化系数值，最终达到优化长短期记忆网络模型预测性能目的； 步骤S1中所述原始数据经预处理后包含月份、星期、小时、空气温度、露点温度、海平面压力、风向、风速以及能耗共9个变量。

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武汉科技大学，其通讯地址为：430081 湖北省武汉市和平大道947号；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。