基于LSTM混合模型的高校教学建筑运行阶段碳排放预测研究OA
在碳排放双控背景下,高校教学建筑运行阶段的节能减排问题愈发受到关注,构建兼顾精度与效率的短期建筑碳排放预测模型成为关键任务。当前研究多采用长短期记忆网络(LSTM)处理该任务,但对建模数据量、人员占用数据特征、计算成本等方面的系统性评估不足,并且混合模型研究有待深入开展。为此,以广州市某高校教学建筑组团为研究对象,基于逐时气象数据、人员占用数据与碳排放数据,对基础LSTM及五种混合模型(LSTM-CNN、CNN-LSTM、LSTM-ATT、CNN-ATT-LSTM、LSTM-ATT-CNN)展开系统性评估。结果表明:数据量≤1年时,趋势预测场景宜优先选用CNN-LSTM,精度优先场景宜选用基础LSTM;数据量>1年时,CNN-ATT-LSTM宜作为优先方案。该成果可为模型选型与部署提供决策依据,助力高校推进绿色低碳高质量发展。
刘骁;梁兆锴
华南理工大学亚热带建筑与城市科学全国重点实验室 华南理工大学建筑学院华南理工大学建筑学院
建筑与水利
高校教学建筑碳排放预测模型选型与部署长短期记忆网络(LSTM)卷积神经网络(CNN)注意力机制(ATT)
《西部人居环境学刊》 2026 (4)
P.158-168,11
广东省基础与应用基础研究基金项目(2024A1515012129)国家自然科学基金项目(52108011)亚热带建筑与城市科学全国重点实验室自主研究课题(2024ZB06)中央高校基本科研业务费专项资金项目(2024ZYGXZR048)。
评论