[发明专利]一种个人热舒适预测方法及系统

权利要求书

1.一种个人热舒适预测方法，其特征在于，包括：

获取环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据并将其划分成支撑集和查询集；

将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级；

所述深度神经网络进行训练的方法包括：

获取支撑集和查询集的数据；

将支撑集和查询集的数据输入到深度神经网络中的嵌入模块，得到类特征映射和查询特征映射；

将类特征映射和查询特征映射输入到深度神经网络中的交叉注意力模块，得到类特征对和查询特征对；

将类特征对和查询特征对输入到深度神经网络中的分类模块，得到个人热舒适等级，并更新深度神经网络；

重复上述所有步骤直至收敛，完成训练。

2.根据权利要求1所述的一种个人热舒适预测方法，其特征在于，将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级，包括：

将支撑集和查询集的数据输入到预训练好的深度神经网络中的嵌入模块中，得到类特征映射和查询特征映射。

3.根据权利要求1所述的一种个人热舒适预测方法，其特征在于，将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级，包括：

将类特征映射和查询特征映射输入到预训练好的深度神经网络中的交叉注意力模块，得到类特征对和查询特征对，计算公式包括：

其中，R_ij是相关映射在第i行第j列的元素，R^p是类相关映射，R^q是查询相关映射，p_i是类特征映射中第i个空间位置的局部类特征向量，q_j是查询特征映射中第j个空间位置的局部查询特征向量，||p_i||₂是p_i的欧几里得范数，||q_j||₂是q_j的欧几里得范数，T表示转置，m是两个特征映射的总空间位置，分别表示各局部类特征向量与所有局部查询特征向量之间的相关性，分别表示各局部查询特征向量与所有局部类特征向量之间的相关性；

w_p＝W₂(σ(W₁(GAP(R^P))))

w_q＝W₂(σ(W₁(GAP(R^q))))

其中，是第i个位置的类注意，是第i个位置的查询注意，w_p是利用类相关映射计算得到的第一核函数，w_q是利用查询相关映射计算得到的第二核函数，T表示转置，表示局部类特征向量p_i与所有局部查询特征向量之间的相关性，表示局部查询特征向量q_i与所有局部类特征向量之间的相关性，t表示温度超参数，σ是激活函数，GAP表示全局平均池化操作，W₁和W₂是元学习器的参数；

其中，是类特征对，P^k是类特征映射，是查询特征对，Q^b是查询特征映射，A^p是类注意，A^q是查询注意。

4.根据权利要求1所述的一种个人热舒适预测方法，其特征在于，将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级，包括：

将类特征对和查询特征对输入到深度神经网络中的分类模块，得到查询特征的预测值，从而得到与所述预测值一一对应的个人热舒适等级，计算公式包括：

其中，是查询特征的预测值，表示获取两个特征之间的余弦距离取最小值时k的取值，是类特征对，是查询特征对，GAP表示全局平均池化操作。

5.根据权利要求1所述的一种个人热舒适预测方法，其特征在于，更新深度神经网络的方法为梯度下降法。