采光预测模型训练方法、采光预测方法、装置及设备与流程

1.本发明实施例涉及智慧城市建设技术领域，尤其涉及采光预测模型训练方法、采光预测方法、装置及设备。


背景技术：

2.随着人们物质文化水平的提高，对室内自然采光指标有更高的需求，因此，对室内采光的预测能很大程度上满足对人居住环境健康需求。
3.目前，室内采光的预测方法主要是使用采光模拟软件进行预测，例如：ecotect、energyplus等。
4.然而，此类软件体量较大，输入参数复杂，需要严格遵循建立模型、输入参数、模拟和分析的步骤，用时长，效率低，要求人员专业性强，时间和人工成本高，且输入参数类型受限，无法实现个性化定制，从而导致适用范围受限、预测效益较低。


技术实现要素：

5.本发明提供了采光预测模型训练方法、采光预测方法、装置及设备，以解决现有技术通过采光模拟软件预测室内采光照度存在的软件体量大、输入参数复杂、效率低、成本高、预测效益低等问题。
6.根据本发明的一方面，提供了一种采光预测模型的训练方法，其特征在于，包括：
7.获取目标区域的气象数据、模拟时间数据，传输至采光模拟系统中设置采光模拟的环境参数，将获取的多组建筑参数传输至所述采光模拟系统，得到各组建筑参数对应的采光数据，其中，所述建筑参数和对应的采光数据形成样本数据；
8.创建至少一个初始采光预测模型，基于所述样本数据中的训练样本数据对各所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光预测模型；
9.基于所述样本数据中的验证样本数据对所述采光预测模型进行验证处理，得到各采光预测模型的至少一项评价指标，基于所述至少一项评价指标确定目标采光预测模型。
10.根据本发明的另一方面，提供了一种采光预测方法，其特征在于，包括：
11.读取建筑模型中预设类型的建筑参数，将所述建筑参数输入至预先训练的采光系数预测模型中，得到所述建筑模型对应的采光系数；
12.将所述建筑参数和所述采光系数输入至预先训练的采光预测模型，得到所述建筑模型对应的自然采光照度，其中，所述采光系数预测模型和所述采光预测模型分别基于权利要求1-5任一所述的采光预测模型的训练方法得到。
13.根据本发明的另一方面，一种采光预测模型训练装置，其特征在于，包括：
14.样本数据获取模块用于获取目标区域的气象数据、模拟时间数据，传输至采光模拟系统中设置采光模拟的环境参数，将获取的多组建筑参数传输至所述采光模拟系统，得到各组建筑参数对应的采光数据，其中，所述建筑参数和对应的采光数据形成样本数据；
15.采光预测模型训练模块用于创建至少一个初始采光预测模型，基于所述样本数据
中的训练样本数据对各所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光预测模型；
16.目标采光预测模型确定模块基于所述样本数据中的验证样本数据对所述采光预测模型进行验证处理，得到各采光预测模型的至少一项评价指标，基于所述至少一项评价指标确定目标采光预测模型。
17.根据本发明的另一方面，一种采光预测装置，其特征在于，包括：
18.采光系数预测模块用于读取建筑模型中预设类型的建筑参数，将所述建筑参数输入至预先训练的采光系数预测模型中，得到所述建筑模型对应的采光系数；
19.自然采光照度预测模块用于将所述建筑参数和所述采光系数输入至预先训练的采光预测模型，得到所述建筑模型对应的自然采光照度，其中，所述采光系数预测模型和所述采光预测模型分别基于任意实施例提供的采光预测模型的训练方法得到。
20.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
21.至少一个处理器；以及
22.与所述至少一个处理器通信连接的存储器；其中，
23.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的采光预测模型训练方法和/或采光预测方法。
24.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的采光预测模型训练方法和/或采光预测方法。
25.本发明实施例的技术方案，基于样本数据构建、训练和验证采光预测模型，使用预测功能时不需要实地测量和大量建筑参数数据，解决了现有技术存在的输入参数复杂、预测效益低、操作专业性强的问题，使对自然采光照度的预测更加的高效、预测结果更准确、预测成本更低。此外，采用预测模型实现采光预测的预测方法系统体量小，操作简单，指令清晰，对用户的专业水平、运行环境等要求低，适用范围广。
26.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
27.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1是本发明实施例一提供的一种采光预测模型训练方法的流程图；
29.图2是本发明实施例二提供的一种采光预测方法的流程图；
30.图3是本发明实施例三提供的一种采光预测模型训练装置的结构示意图；
31.图4是本发明实施例四提供的一种采光预测装置的结构示意图；
32.图5是可以用来实施本发明的实施例的电子设备的结构示意图。
具体实施方式
33.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
34.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
35.实施例一
36.图1是本发明实施例一提供的一种采光预测模型训练方法的流程图。本实施例可适用于训练室内采光预测模型情况，该方法可以由本发明实施提供的采光预测模型训练装置来执行，该布控装置可以由软件和/或硬件来实现，该布控装置可以配置在电子计算设备上，具体包括如下步骤：
37.s110、获取目标区域的气象数据、模拟时间数据，传输至采光模拟系统中设置采光模拟的环境参数，将获取的多组建筑参数传输至所述采光模拟系统，得到各组建筑参数对应的采光数据，其中，所述建筑参数和对应的采光数据形成样本数据。
38.目标区域为待进行模拟的建筑所在的地理区域，可选的，该目标区域可以是通过行政区域划分得到，例如目标区域的划分可以是基于省/市/区的行政等级进行划分；可选的，目标区域还可以是基于建筑所在纬度和海拔等信息进行划分。由于不同区域的气候、位置等因素影响建筑内的采光数据，本实施例中，基于同一目标区域的环境数据对采光模拟系统设置采光模拟的环境参数，以得到该目标区域使用的采光数据形成样本数据，相应的，该目标区域的样本数据训练得到适用于对该目标区域内建筑进行采光预测的采光预测模型，以提高采光预测模型的准确性和针对性，降低区域影响导致的识别误差。
39.其中，目标区域的气象数据由用户选定的区域以及日期决定，具体的，若用户选定的目标区域为天津市，用户选定的模拟时间数据为2022年2月20日，那么目标区域的气象数据就是指2022年2月20日天津市的气象数据，所述气象数据可以但不限于阴天、雨天、多云等，进一步的，所述气象数据还可以是9:00-11:00晴朗、11:00-15：00多云、15：00-17:00小雨等，对此不做限定。其中，不同的气象数据能够影响建筑内的采光情况，例如，阴天、雨天、雪天、雾天等气象数据，导致建筑内采光差；晴天等气象数据导致建筑内采光良好。通过目标区域内的历史气象数据，设置采光模拟环境，提高对目标区域内建筑进行采光模拟的真实性和准确性。
40.模拟时间数据是用户设置的进行采光模拟的时间数据，与获取的气象数据相关联，可选的，模拟时间数据可以是某一个季节或者某一个特定日期，由于不同季节、不同日期的日照强度不同，采光会受到一定的影响。具体的，夏季的日照强度较高，相应的冬季的
日照强度较低，可以以季节为划分标准，针对性的训练不同季节的采光预测模型；特别的，冬至日的日照强度是一年之中最低的，可以针对这种特殊日期更有针对性的训练采光预测模型。本实施例中，基于气象数据和模拟时间数据对采光模拟系统设置采光模拟的环境参数，以得到该目标区域使用的采光数据形成样本数据，相应的，基于该样本数据训练得到适用于各种天气、季节、特定日期进行采光预测的采光预测模型，以进一步提高采光预测的准确性和针对性，降低气候变化和季节更替对采光预测的影响。
41.气象数据和模拟时间数据用于在采光模拟系统中设置采光模拟的环境参数，获取的多组建筑参数作为采光模拟系统的输入传输到采光模拟系统中可以得到各组建筑参数对应的采光数据。
42.采光数据遵循归一化原理，原理如下：
43.由于各物理量不存在负值，因此取值范围均选为[0,1]。将原取值范围映射到[0,1]，可以按正态分布和均匀分布两种方式进行转化。由于物理量数值之间不存在明显的正态分布关系，因此选用均匀分布方式进行归一化。设原始数据(例如模拟得到的采光数据)为data，归一化后的数组为data'，min()为取最小值函数，max()为取最大值函数，序号为i，其数学表达式：
[0044][0045]
为更直观的展示建模结果，将归一化后的数值进行建模运算后，应将模型输出映射到原来的取值范围，而这个过程便是反归一化。反归一化是与归一化完全相反的一个过程，因此由上述表达式可以得到反归一化公式：
[0046]
data(i)＝data'(i)
×
(max(data)-min(data)) min(data)
[0047]
所述采光模拟系统可以是一种采光模拟软件，对该采光模拟系统的类型不作限定，可实现对输入的建筑参数进行采光模拟即可。在模拟软件中建立建筑模型，在模型文件中载入当地气象数据，设置时间和日期，输入建筑参数，设置计算网格尺寸，进行模拟，得到采光数据，对采光数据进行整理和分析。其中，所述建筑参数包括窗台高度、遮阳尺寸、墙体材料反射率、玻璃透光率等；所述采光数据是对建筑参数的模拟和分析，包括分别对窗台高度、遮阳尺寸、墙体材料反射率、玻璃透光率的独立影响进行模拟和分析，以及玻璃透光率、墙体材料反射率、窗台高度的交叉影响进行模拟和分析。建筑参数和对应的采光数据形成样本数据，样本数据是训练以及验证采光预测模型的基础。
[0048]
s120、创建至少一个初始采光预测模型，基于所述样本数据中的训练样本数据对各所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光预测模型。
[0049]
其中，初始采光预测模型是待训练的采光预测模型，基于训练样本数据对初始采光预测模型进行迭代训练，可得到训练完成的采光预测模型。其中，训练样本数据是指样本数据中任意选取的、一定比例的、用于训练采光预测模型的部分样本数据，剩余部分的样本数据作为验证样本数据用于验证采光预测模型，示例性的，在样本数据中任意选取90％的数据作为训练模型的训练样本数据，那么剩余10％的数据作为验证模型的验证样本数据。初始采光预测模型可由用户自主创建，用户可以自主设置模型的网络结构和网络深度，基于不同的网络结构和/或不同网络深度创建不同的初始采光预测模型，得到不同类型的采光预测模型或者不同网络深度的采光预测模型，用户可以从得到的采光预测模型中根据评
价指标选择最优的采光预测模型。通过对初始采光预测模型迭代训练，能够提高采光预测模型的预测精度。
[0050]
s130、基于所述样本数据中的验证样本数据对所述采光预测模型进行验证处理，得到各采光预测模型的至少一项评价指标，基于所述至少一项评价指标确定目标采光预测模型。
[0051]
其中，以验证处理得到的评价指标作为采光预测模型预测效果的评价标准，确定目标采光预测模型，所述评价指标包括如下的至少一项：平均相对误差、最大相对误差、均方误差和拟合度。具体的，基于采光预测模型对输入的验证样本数据进行处理得到验证结果，并基于验证结果计算得到上述至少一项评价指标。评价指标是确定目标采光预测模型的重要依据，因此，应尽可能选择多个评价指标作为确定目标采光预测模型的依据。本实施例中，基于验证样本数据对训练完成的采光预测模型中进行验证，得到各评价指标，将各采光预测模型的评价指标进行比对，以确定最优采光预测模型，所述最优采光预测模型即为目标采光预测模型。在一些实施例中，可以是将多个评价指标进行加权处理，基于加权结果对各采光预测模型的评价指标进行比对。
[0052]
其中，各评价指标的计算方式如下：
[0053]
平均相对误差是模型输出值与实际值的误差绝对值占实际取值范围比例的平均值，理想值为0，数学公式：
[0054][0055]
最大相对误差是模型输出值与实际值的误差绝对值占实际取值范围比例的最大值，理想值为0，数学公式：
[0056][0057]
均方误差是模型输出值与实际值误差绝对值占实际取值范围比例的均方根值，理想值为0，数学公式：
[0058][0059]
拟合度又称拟合优度，是描述回归方程因变量和自变量之间的关系，即模型所能揭示的因变量变异性的百分比，理想值为1，数学公式：
[0060][0061]
上述公式中，n是输出值的数量，i表示第i个模型输出值，xc是模型输出值，x
c-mean
是模型输出平均值，xr是实际值，x
r-max
是实际最大值，x
r-min
是实际最小值。
[0062]
本实施例提供的技术方案，通过目标区域的气象数据和模拟时间数据设置采光模拟系统的环境参数，得到该目标区域使用的采光数据形成样本数据，该目标区域的样本数据能够训练得到适用于该目标区域内的建筑、天气、季节或者特定日期的采光预测模型，解决了现有技术中存在的模型预测不准确的问题，提高了采光预测模型的准确性和针对性，
降低区域、天气变化、季节更替对训练模型的影响；通过基于训练样本数据迭代训练的方式训练采光预测模型，进一步提高了模型预测的精度；通过基于验证样本数据验证处理的方式对采光预测模型进行验证处理，能够确定出预测性能最好的采光预测模型，更进一步提高了采光预测的准确性。
[0063]
在上述实施例的基础上，在将获取的多组建筑参数传输至所述采光模拟系统，得到各组建筑参数对应的采光数据之前，可选的，所述方法还包括：获取所述目标区域内的多种建筑户型信息，并将所述建筑户型信息传输至所述采光模拟系统，以使所述采光模拟系统创建对应的多种建筑模型。
[0064]
获取目标区域内使用的各种户型的户型信息，对户型信息做统计分析，得出各户型信息的使用比例，选择使用比例较高的几种户型进行采光模拟，并在采光内部系统中创建对应的建筑模型；其中，使用比例较高的标准可以是使用比例排在前5或者前10的户型，也可以是使用比例超过一定百分比的户型，具体百分比由用户根据实际需求决定。本实施例中就，基于多种建筑户型信息，以使采光模拟系统创建对应的多种建筑模型，进而得到各组建筑户型对应的各组样本数据，相应的，各组样本数据训练得到适用于目标区域内多种建筑户型进行采光预测的采光预测模型，进一步提高预测模型的针对性。
[0065]
可选的，将获取的多组建筑参数传输至所述采光模拟系统，得到各组建筑参数对应的采光数据，包括：将获取的多组建筑参数传输至所述采光模拟系统，以使所述采光模拟系统基于所述建筑参数更新所述多种建筑模型，并对更新后的多种建筑模型分别进行采光模拟，得到所述采光模拟系统输出的采光数据，其中，基于所述建筑参数和采光数据训练得到的采光预测模型用于对所述目标区域内的建筑进行采光预测。
[0066]
针对于各建筑模型，分别输入多种建筑参数，实现在建筑模型下进行不同建筑参数的采光模拟，提高了采光模拟的效率；此外，采光模拟系统在创建多种建筑模型后能够实现对多组建筑参数进行采光模拟，得到对应的多组采光数据，基于多组建筑参数与采光数据对采光预测模型进行训练，从而获得适用于整个目标区域的采光预测模型，实现对目标区域的建筑的采光预测，大幅度提高采光预测模型预测的效率，降低人工成本，减少重复创建和训练模型产生的资源浪费。
[0067]
在上述技术方案的基础上，所述建筑参数包括窗台高度、遮阳尺寸、墙体材料反射率、玻璃透光率；采光数据包括采光系数和自然采光照度中的至少一项。
[0068]
可选的，所述基于所述样本数据中的训练样本数据对各所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光预测模型，包括：基于所述建筑参数作为输入数据、所述采光系数作为标签形成的训练样本数据，对所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光系数预测模型；和/或，基于所述建筑参数和所述采光系数作为输入数据、所述自然采光照度作为标签形成的训练样本数据，对所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光照度预测模型。
[0069]
以采光系数预测模型为神经网络模型为例，采光预测模型的训练过程如下：
[0070]
(1)将样本数据中的一组建筑参数输入到初始神经网络采光预测模型，此时初始神经网络采光预测模型中的权值为随机量或者初始参数；
[0071]
(2)沿着信号传播的方向计算得到初始采光预测模型的预测值；
[0072]
(3)基于预测值和样本数据中的采光数据通过误差原理计算损失函数；
[0073]
(4)基于损失函数和权值调节量原理沿着信号传播的反方向对权值进行调整，得到更新的神经网络采光预测模型；
[0074]
(5)对剩余的每组样本数据重复1-4的过程，直至误差不超过一定范围，得到训练完成的采光预测模型。
[0075]
以下为神经网络预测模型所遵循的误差原理和神经网络预测模型所遵循的权值调节量原理。
[0076]
神经网络预测模型所遵循的误差原理为：
[0077]
以三层bp神经网络为例，设输入层节点数为n，隐藏层节点数为p，输出层节点数为m。同时，设输入层第r个节点为xr，隐藏层第q个节点为kq，输出层第t个节点为y
t
，各层之间的权值为ω
qt
，其下标表示前后两层节点的序号。同时，设训练次数(即迭代次数)为l,每一层的输入为u，输出为v。网络模型的输出向量为期望输出向量为向量为误差向量为因此第l次训练的误差：
[0078]et
(l)＝d
t
(l)-y
t
(l)
[0079]
首先是信号的正向传播。输入层的输出信号就是网络模型的输入信号。设激活函数为g(
·
)，则隐藏层第q个结点的输入：
[0080][0081]
隐藏层第q个结点的输出：
[0082][0083]
输出层第t个节点输出：
[0084][0085]
输出层第t个节点的误差：
[0086][0087]
神经网络预测模型所遵循的权值调节量原理为：
[0088]
权值沿着信号传播的反方向进行调整。根据梯度下降法，对ω
qt
的梯度反方向进行调整：(η为学习率)
[0089][0090]
ω
qt
(l)＝δω
qt
(l) ω
qt
(l-1)
[0091]
在根据微分方程的链式法则，可求出梯度值：
[0092][0093]
其权值的调节量：
[0094]
[0095]
其中又被称为局部梯度。对于三层的bp神经网络，总结上面各式可得出如下结论，即权值的调节量是学习率、局部梯度和上一层信号输出强度的乘积。对于更为复杂多层bp神经网络，将上面计算过程进行延伸即可。
[0096]
采光预测模型包括采光系数预测模型和采光照度预测模型，根据输入输出不同，分为以下两个预测模型：
[0097]
(1)采光系数预测模型：输入数据为建筑参数，建筑参数包括：窗台高度、遮阳尺寸、墙体材料反射率、玻璃透光率，输出数据为采光系数；
[0098]
(2)采光照度预测模型：输入数据为采光系数和建筑参数，为窗台高度、遮阳尺寸、墙体材料反射率、玻璃透光率，输出数据为采光照度；
[0099]
采光系数预测模型用于预测得到采光系数，采光系数可作为采光照度预测模型的输入数据之一，预测得到采光照度。
[0100]
通过训练采光系数预测模型的方式预测得到采光系数，能够提高采光系数的准确度，再以采光系数作为输入数据训练采光照度预测模型，能够经进一步提高采光照度预测模型的预测精度，进而提高预测得到的采光照度的准确度。
[0101]
在上述技术方案的基础上，可选的，所述至少一个初始采光预测模型的网络结构不同，或者，至少一个初始采光预测模型的网络深度不同。其中，所述采光预测模型包括但不限于神经网络预测模型、组合预测模型、卡尔曼滤波预测模型等。创建至少一个初始采光预测模型进行训练，且初始采光预测模型的网络结构和/或网络深度不同，以神经网络预测模型为例，可以创建如下模型：
[0102]
(1)模型1：训练模型设置为3个隐含层结构，各层的神经元数量为[12,12,1],对应各层的激励函数分别为'purelin'、'logsig'、'purelin'；
[0103]
(2)模型2：训练模型设置为4个隐含层结构，各层的神经元数量为[12,12,12,1]，各层的激励函数分别为'purelin'、'tansig'、'logsig'、'purelin'，重新训练模型；
[0104]
上述2个模型中模型1与模型2的网络结构和网络深度不同，不同网络结构、不同网络深度的采光预测模型的性能、预测精度等都不相同，创建和训练尽可能多的采光预测模型，能够筛选得到性能更好的采光预测模型，提高采光预测的准确性。
[0105]
所述基于所述样本数据中的训练样本数据对各所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光预测模型，包括：基于训练样本数据对所述初始采光预测模型进行不同训练次数的迭代训练，得到各初始采光模型对应的采光预测模型。
[0106]
以神经网络预测模型为例，可以创建如下模型：在三组独立影响的模拟数据中各随机选取约90％的数据，即60组数据，作为数据集1，对神经网络预测模型进行训练，形成训练模型0，得到采光系数的预测结果；将数据集1和训练模型0产生的采光系数的预测结果输入到训练模型x中，得到自然采光照度的预测结果；训练模型x包括训练模型1、训练模型2、训练模型3、训练模型4；训练模型1为设置为3个隐含层结构，
[0107]
设定获取的样本数据为68组，在样本数据中随机选取约90％的数据，即60组数据，作为训练样本数据，对神经网络预测模型进行训练，形成采光系数预测模型得到采光系数的预测结果；将采光系数预测结果和样本数据输入到以下训练模型中得到训练结果。(1)模型1：训练模型设置为3个隐含层结构，各层的神经元数量为[12，12，1],对应各层的激励函
数分别为'purelin'、'logsig'、'purelin'；
[0108]
(2)模型2：模型结构不变，改变训练次数；
[0109]
(3)模型3：训练模型设置为4个隐含层结构，各层的神经元数量为[12，12，12，1]，各层的激励函数分别为'purelin'、'tansig'、'logsig'、'purelin'}，重新训练模型；
[0110]
(4)模型4：保持模型结构不变，改变训练次数。
[0111]
将样本数据中剩余10％的数据，即8组数据，作为验证样本数据，并进行验证，如下表所示，验证后评价指标中的拟合度达0.99以上的模型即为具有准确性和稳定性的采光预测模型。通过改变采光预测模型的训练次数，使得模型更加多样化，便于选出预测精度最高的采光预测模型，提高采光预测模型的预测的准确性。
[0112][0113]
本实施例提供了一种采光预测模型的训练方法，该方法基于采光模拟软件模拟采光环境，将模拟软件获取的采光数据以及对应的建筑参数作为样本数据，基于样本数据创建、训练和验证采光预测模型，实现采光预测模型的训练。该方法通过模拟软件获取输入数据的方式，降低了人工成本，提高了采光预测模型训练的效率；同时，该方法通过创建和训练多种类型的采光预测模型，并比较选出最优采光预测模型的方式，提高了采光预测模型的预测的准确性。
[0114]
实施例二
[0115]
图2是本发明实施例二提供的一种采光预测方法的流程图，本发明实施例可与上述实施例中各个可选方案可以结合。采光预测方法具体包括如下步骤：
[0116]
s210、读取建筑模型中预设类型的建筑参数，将所述建筑参数输入至预先训练的采光系数预测模型中，得到所述建筑模型对应的采光系数；
[0117]
s220、将所述建筑参数和所述采光系数输入至预先训练的采光预测模型，得到所述建筑模型对应的自然采光照度，其中，所述采光系数预测模型和所述采光预测模型分别基于本发明任意实施例所述的采光预测模型的训练方法得到。
[0118]
其中，建筑模型是指进行采光预测的建筑户型对应的模型，基于该建筑模型对应的区域以及建筑模型中读取的建筑参数，自动匹配对应的采光系数预测模型和采光预测模型，减少选择模型浪费的时间，加快采光预测的速度。建筑参数的类型很多，包括建筑尺寸、玻璃透光率、墙体材料反射率、窗台高度、建筑方向、墙体厚度，以及门、窗、内外墙、屋面、室
内外地面、楼板的位置和材质等，但是并非所有类型的建筑参数都是采光预测时所需要的，在读取建筑模型前预设所需建筑参数的类型，能够避免读取无用的参数和对读取的参数的二次筛选，提高建筑参数获取的效率，进而提高采光预测的效率。此外，通过读取建筑模型的方式获取建筑模型的建筑参数，同样能够提高采光预测的效率。以神经网络预测模型为例，以下是一种采光预测方法的具体实现方式。
[0119]
选择某区域典型户型a，读取户型a的建筑模型，其建筑参数包括建筑尺寸、玻璃透光率、墙体材料反射率、窗台高度、建筑方向，以及门、窗、内外墙、屋面、室内外地面、楼板的位置和材质；选定户型a所在区域，匹配与建筑参数和选定区域相适应的采光系数预测模型，将建筑参数输入至采光系数预测模型，预测得到采光系数；同样的，匹配与建筑参数和选定区域相适应的采光预测模型，将预测得到的采光系数和建筑参数输入到采光预测模型中，得到自然采光照度。选择其他户型进行上述操作，同样能够得到该户型的自然采光照度。
[0120]
本实施例所提供的采光预测方法是基于采光预测模型训练方法得到的采光预测模型实现的，该采光预测方法具备上述任一实施例所提供的采光预测模型训练方法中采光预测模型所具备的所有有益效果。
[0121]
实施例三
[0122]
图3是本发明实施例三提供的一种采光预测模型训练装置的结构示意图。该装置包括：样本数据获取模块310、采光预测模型训练模块320、目标采光预测模型确定模块330。
[0123]
样本数据获取模块310用于获取目标区域的气象数据、模拟时间数据，传输至采光模拟系统中设置采光模拟的环境参数，将获取的多组建筑参数传输至所述采光模拟系统，得到各组建筑参数对应的采光数据，其中，所述建筑参数和对应的采光数据形成样本数据。
[0124]
采光预测模型训练模块320用于创建至少一个初始采光预测模型，基于所述样本数据中的训练样本数据对各所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光预测模型。
[0125]
目标采光预测模型确定模块330基于所述样本数据中的验证样本数据对所述采光预测模型进行验证处理，得到各采光预测模型的至少一项评价指标，基于所述至少一项评价指标确定目标采光预测模型。
[0126]
可选的，在将获取的多组建筑参数传输至所述采光模拟系统，得到各组建筑参数对应的采光数据之前，所述装置还包括：
[0127]
多种建筑模型创建单元用于获取所述目标区域内的多种建筑户型信息，并将所述建筑户型信息传输至所述采光模拟系统，以使所述采光模拟系统创建对应的多种建筑模型。
[0128]
所述将获取的多组建筑参数传输至所述采光模拟系统，得到各组建筑参数对应的采光数据，包括：
[0129]
采光数据获取单元用于将获取的多组建筑参数传输至所述采光模拟系统，以使所述采光模拟系统基于所述建筑参数更新所述多种建筑模型，并对更新后的多种建筑模型分别进行采光模拟，得到所述采光模拟系统输出的采光数据，其中，基于所述建筑参数和采光数据训练得到的采光预测模型用于对所述目标区域内的建筑进行采光预测。
[0130]
可选的，所述建筑参数包括窗台高度、遮阳尺寸、墙体材料反射率、玻璃透光率；采
光数据包括采光系数和自然采光照度中的至少一项。
[0131]
所述基于所述样本数据中的训练样本数据对各所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光预测模型，包括：
[0132]
采光系数预测模型训练单元用于基于所述建筑参数作为输入数据、所述采光系数作为标签形成的训练样本数据，对所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光系数预测模型。和/或，
[0133]
采光照度预测模型训练单元基于所述建筑参数和所述采光系数作为输入数据、所述自然采光照度作为标签形成的训练样本数据，对所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光照度预测模型。
[0134]
可选的，所述至少一个初始采光预测模型的网络结构不同，或者，至少一个初始采光预测模型的网络深度不同。
[0135]
所述基于所述样本数据中的训练样本数据对各所述初始采光预测模型进行迭代训练，得到各初始采光模型对应的采光预测模型，包括：
[0136]
采光预测模型训练单元用于基于训练样本数据对所述初始采光预测模型进行不同训练次数的迭代训练，得到各初始采光模型对应的采光预测模型。
[0137]
可选的，所述评价指标包括如下的至少一项：平均相对误差、最大相对误差、均方误差和拟合度。
[0138]
本实施例所提供的采光预测模型训练装置可执行本发明任意实施例所提供的采光预测模型训练方法，具备执行方法相应的功能模块和有益效果。
[0139]
实施例四
[0140]
图4是本发明实施例四提供的一种采光预测装置的结构示意图。该装置包括：采光系数预测模块410和自然采光照度预测模块420。
[0141]
采光系数预测模块410用于读取建筑模型中预设类型的建筑参数，将所述建筑参数输入至预先训练的采光系数预测模型中，得到所述建筑模型对应的采光系数。
[0142]
自然采光照度预测模块420用于将所述建筑参数和所述采光系数输入至预先训练的采光预测模型，得到所述建筑模型对应的自然采光照度，其中，所述采光系数预测模型和所述采光预测模型分别基于本发明任意实施例所述的采光预测模型的训练方法得到。
[0143]
本实施例提供的采光预测装置可执行本发明任意实施例所提供的采光预测方法，具备执行方法相应的功能模块和有益效果。
[0144]
实施例五
[0145]
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0146]
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计
算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0147]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0148]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如采光预测模型训练方法和/或采光预测方法。
[0149]
在一些实施例中，采光预测模型训练方法和/或采光预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的采光预测模型训练方法和/或采光预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行采光预测模型训练方法和/或采光预测方法。
[0150]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0151]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0152]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、
磁储存设备、或上述内容的任何合适组合。
[0153]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0154]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0155]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0156]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0157]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
[0158]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。