[发明专利]办公建筑用户在室行为预测方法

权利要求书

1.一种办公建筑用户在室行为预测方法，包括如下步骤：

S1.采集用户在室行为相关数据并建立数据库；

S2.对步骤S1得到的数据库进行关联规则挖掘，确定对用户在室行为的显著影响因素；

S3.针对不同用户类型，根据步骤S2得到的显著影响因素，采用聚类分析方法对用户进行聚类，从而得到用户的分类数据集；

S4.对步骤S3得到的聚类后的每一个用户分类数据集，分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。

2.根据权利要求1所述的办公建筑用户在室行为预测方法，其特征在于步骤S1所述的数据包括建筑数据、用户数据、环境数据和在室行为数据；所述的建筑数据包括建筑朝向、面积、房间数及房间类型；所述的用户数据包括年龄、性别、职位和学历；所述的环境数据为室内外环境参数；所述的在室行为数据包括到达和离开办公室时间、房间内人数和不同时刻在室状况。

3.根据权利要求1或2所述的办公建筑用户在室行为预测方法，其特征在于步骤S2所述的进行关联规则挖掘，具体为采用如下步骤进行关联规则挖掘：

A.确定最小支持度min-support和最小可信度min-confidence，并通过以下公式计算支持度support和信任度confidence：

$\sup port(X\⇒Y)=count(X\∪Y)/\left|A\right|$

$confidence(X\⇒Y)=\sup port(X\⇒Y)/\sup port\left(X\right)$

式中描述集X和结果Y同时出现的支持度，count(X∪Y)表示项集X和结果Y同时出现的次数，|A|表示数据库A的项集数，表示项集X和结果Y同时出现的可信度，support(X)表示项集X出现的概率；

B.利用Apriori算法搜索所有满足最小支持度的项集，并将搜索到的项集称为频繁项集；

C.对步骤B得到的频繁项集生成所需要的关联规则，再根据设定的最小可信度筛选出强关联规则，即为用户在室行为显著影响因素。

4.根据权利要求1或2所述的办公建筑用户在室行为预测方法，其特征在于步骤S3所述的聚类分析，具体为采用如下步骤进行聚类分析：

1)对数据库A中的数据进行预处理；

2)从数据库A中随机选取k个样本作为聚类中心；

3)将每一个样本聚类到距离最近的k个样本之一；

4)计算每一个聚类的均值，并用新的均值替换原来的聚类中心；

5)重复步骤2)～步骤4)，直至聚类中心不再发生变化为止，最终得到n个分类数据集。