基于支持向量機的室內(nèi)照度預(yù)測仿真

劉聰 高穎

摘 要：為了有效地預(yù)測室內(nèi)的自然光照度，提高預(yù)測精度，建立了基于支持向量機（SVM）的室內(nèi)自然光照度預(yù)測模型。在MATLAB 2012的環(huán)境下，以鄭州市（東經(jīng)113.65，北緯34.72）某室內(nèi)自然光的實測照度為訓(xùn)練樣本，對三個位置的五個時間點的照度進行預(yù)測，模型預(yù)測效果采用平均絕對百分比誤差（MAPE）來進行評價。經(jīng)過仿真可知，由模型得到的預(yù)測照度與實際照度誤差較小，預(yù)測效果較為理想，預(yù)測的平均絕對百分誤差為6.1%。該結(jié)果驗證了基于支持向量機的預(yù)測模型在室內(nèi)照度預(yù)測中的有效性。

關(guān)鍵詞：支持向量機;照度預(yù)測;平均絕對百分誤差

中圖分類號：TU113.66;TP391.9 文獻標識碼：A 文章編號：1003-5168（2019）02-0114-03

The Prediction’s Simulation for Indoor Illumination Based on?Support Vector Machine

Abstract： In order to effectively predict indoor natural illumination and improve the prediction accuracy， a prediction model of indoor natural illumination based on support vector machine （SVM） was established. Under the environment of MATLAB 2012， taking the measured illumination of indoor natural light in Zhengzhou City （113.65 longitude east， 34.72 latitude north） as the training sample， the illumination of five time points at three locations was predicted. The prediction effect of the model was evaluated by mean absolute percentage error （MAPE）. The simulation results show that the error between predicted illumination and actual illumination obtained by the model is small， and the prediction effect is ideal. The average absolute percentage error of the prediction is 6.1%. The results validate the effectiveness of the prediction model based on support vector machine in indoor illumination prediction.

Keywords： Support Vector Machine ;prediction of illumination;mean absolute percentage error

1 研究背景

室內(nèi)自然光照度受建筑周圍的環(huán)境、所在樓層的高度、窗戶的分布情況、室外直射光的照度、室外天空光的照度、太陽高度角和太陽方位角等眾多因素的影響，隨機性較大。因此，對室內(nèi)自然光照度進行有效預(yù)測具有重要意義。近年來，關(guān)于室內(nèi)照度預(yù)測的算法主要有遺傳算法[1]、人工神經(jīng)網(wǎng)絡(luò)法[2，3]和自適應(yīng)神經(jīng)模糊預(yù)測算法[4，5]等。支持向量機（SVM）建立在結(jié)構(gòu)風(fēng)險最小化理論原則基礎(chǔ)上，利用非線性映射將輸入樣本空間映射到高位特征空間，從而解決非線性的分類回歸問題。該方法對解決小樣本情況的分類回歸問題優(yōu)勢明顯，具有避免陷入局部最優(yōu)、較強的泛化能力等優(yōu)點。本文將支持向量機（SVM）引入室內(nèi)照度預(yù)測研究中，并通過MATLAB軟件進行仿真分析。

2 支持向量機（SVM）

支持向量機（SVM）[7-9]由Vapnik教授于20世紀90年代提出，是一種新的學(xué)習(xí)機器算法。其基于結(jié)構(gòu)風(fēng)險最小化原理，將輸入向量映射到高維的特征空間，然后在高維的特征空間中求得一個最優(yōu)分類面，從而得到輸入與輸出之間的關(guān)系結(jié)構(gòu)。其能夠避免人工神經(jīng)網(wǎng)絡(luò)中易陷入局部最小值的缺點，目前已廣泛應(yīng)用于分析預(yù)測、模式識別、回歸估計等各個領(lǐng)域[10-16]。

3 室內(nèi)自然光照度特性分析

本文選取室外直射光的照度、天空光的照度、太陽高度角和太陽方位角4個變量作為樣本輸入量，室內(nèi)3個指定位置的照度作為樣本的輸出量。

太陽高度角和太陽方位角一般用來表示太陽在地球上的位置。其中，太陽高度角是指太陽直射光線與地平面的夾角，日出和日落時太陽高度角為0，中午最大;太陽方位角是指太陽直射光線在地平面上的投影線與地平面正南方的夾角，通常以正南方向為0，由南向西為正值，由南向東為負值，太陽高度角[h]及太陽方位角[a]的計算如式（1）和式（2）所示。

[h=arcsin（sin?sinδ+cos?cosδcost）] ? ? ? ? ? ? ? ? ? ? （1）

[a=arccos（sinhsin?-sinδcoshcos?）] ? ? ? ? ? ? ? ? ? ? ?（2）

[δ=23.45sin360（284+n）360.25] ? ? ? ? ? ? ? ? ? ? （3）

式中，[φ]表示地區(qū)的緯度，北緯為正，南緯為負;[δ]表示太陽的緯度;[t]表示時間角度，取值如表1所示;[n]表示一年中的第[n]天。

室外直射光的照度[Ey]通過使用有遮光筒的照度計對著太陽光進行跟蹤測量得到，天空光的照度[Ex]通過水平放置照度計跟蹤測量得到[6]。

4 支持向量機（SVM）的室內(nèi)照度預(yù)測模型仿真

本文以鄭州市（東經(jīng)113.65，北緯34.72）某室內(nèi)實測的照度作為訓(xùn)練樣本，運用MATLAB 2012仿真軟件進行仿真分析，通過支持向量機（SVM）建立室內(nèi)照度預(yù)測模型，對室內(nèi)照度進行預(yù)測，模型預(yù)測效果采用平均絕對百分比誤差（MAPE）來進行評價。

[MAPE=1ni=1n|yi-yi∧yi×100%] ? ? ? ? ? ? ? ? ? ?（4）

式中，[n]為測試樣本的個數(shù);[yi]為照度實際值;[yi∧]為預(yù)測照度值。試驗過程中，分別對8：00，10：00，12：00，14：00和16：00對應(yīng)的三個位置的照度進行預(yù)測，圖1顯示了上午10：00對應(yīng)三個位置預(yù)測照度的示意圖，表2顯示了五個時刻（每一時刻預(yù)測三個位置的照度）共計15組照度的預(yù)測結(jié)果。

從表2可知，只有少數(shù)預(yù)測照度相對誤差較大，大部分預(yù)測照度的相對誤差都較小，且平均絕對百分比誤差僅為6.1%，預(yù)測結(jié)果比較理想，從而驗證了支持向量機（SVM）在室內(nèi)照度預(yù)測中的可行性。

5 結(jié)語

本文利用支持向量機（SVM）建立了室內(nèi)照度預(yù)測模型，由模型得到的預(yù)測照度與實際照度較為接近，預(yù)測效果較為理想，驗證了支持向量機（SVM）預(yù)測模型在室內(nèi)照度預(yù)測中的可行性。支持向量機（SVM）預(yù)測模型可作為室內(nèi)照度預(yù)測的一種方法，為進一步研究室內(nèi)自然光和人工光的綜合利用等提供了相關(guān)理論方法，具有一定的研究意義。

參考文獻：

[1]Coley D A，Crabb J A. An artificial intelligence approach to the prediction of natural lighting levels[J].Building and Environment，1997（2）：81-85.

[2] Hu J，Olbina S . Illuminance-based slat angle selection model for automated control of split blinds[J]. Building & Environment，2011（3）：786-796.

[3] Kazanasmaz T， Günaydin M，Binol S. Artificial neural networks to predict daylight illuminance in office buildings[J]. Building & Environment，2009（8）：1751-1757.

[4]王金光.智能照明控制策略的研究與仿真[D].上海：同濟大學(xué)，2008.

[5]馮冬青，平燕娜，劉新玉.室內(nèi)自然光照度自適應(yīng)神經(jīng)模糊預(yù)測方法研究[J].照明工程學(xué)報，2012（2）：15-19

[6]李農(nóng)，楊燕.照明手冊[M].北京：科學(xué)出版社，2003.

[7]Vapnik V. The nature of statistical learning theory[M]. New York：Springer-Verlag，1995.

[8]Vapnik V. An overview of statistical learning theory[J].IEEE Transactions on Neural Networks，1999（5）：988-999.

[9]Cortes C，Vapnik V.Support vector networks[J].Machine Learning，1995（3）：273-297.

[10]張華，曾杰.基于支持向量機的風(fēng)速預(yù)測模型研究[J].太陽能學(xué)報，2010（7）：928-932.

[11]陳海英.基于支持向量機的上證指數(shù)預(yù)測和分析[J].計算機仿真，2013（1）：297-300.

[12]強生杰，孔令剛.壓力傳感器的支持向量機非線性回歸建模[J].傳感器與微系統(tǒng)，2012（4）：50-52.

[13]葉小嶺，廖俊玲，高大惟，等.基于粒子群支持向量機的濕度傳感器溫度補償[J].儀表技術(shù)與傳感器，2013（11）：14-16.

[14]張艷萍，史巖巖，王珊珊.支持向量機初始化常模算法在MIMO系統(tǒng)中的應(yīng)用[J].河南科技大學(xué)學(xué)報（自然科學(xué)版），2014（4）：33-37.

[15]嚴其艷.基于支持向量回歸機的并聯(lián)機床表面粗糙度預(yù)測[J].試驗室研究與探索，2017（1）：30-33，37.

[16]單曉敏，李峰，吳曉強，等.基于支持向量回歸機的磨削力預(yù)測[J].試驗室研究與探索，2016（10）：24-27.