本建筑空调能耗预测模型训练数据可应用于建筑节能技术探索相关场景。数据通过整合建筑空调系统运行参数与能耗监测数据，构建运行参数-单位能耗值的监督学习样本对，形成训练数据集X并按8:1:1比例划分子集，保障不同建筑类型、季节区段及气象条件下数据均衡分布。其有助于模型学习运行参数与能耗值的关联规律，有利于提升模型对多元场景下能耗预测的准确性；同时，可为建筑节能领域技术经验的积累与方法优化提供参考性数据支撑。
1.数据来源与样本构建：（1）原始数据为公司在研发及试验过程中形成的建筑空调系统的运行参数（涵盖影响空调能耗的主要因素）和能耗监测数据（单位能耗值）。（2）将建筑空调系统运行参数作为输入特征向量，单位能耗值作为输出标签，构成监督学习样本对，汇总形成后续训练用的数据集X；对数据集X赋予编号。 2.数据集划分：（1）对数据集X按8:1:1比例划分为训练集、验证集和测试集。（2）确保不同建筑类型、季节区段、气象条件在各子集中均衡分布，避免样本偏态。 3.模型训练与微调：（1）基准模型设置：采用BP神经网络（反向传播神经网络）作为主模型，构建输入层—隐含层—输出层结构。输入层维度与特征数一致，输出层为单位能耗值，激活函数使用ReLU（隐含层）与线性函数（输出层）。设置初始网络参数、训练轮次、学习率等。（2）使用训练集进行反向传播训练，采用梯度下降类优化器（Adam）。在每轮训练后，通过验证集实时监控损失函数值与泛化性能。（3）全流程记录每轮训练日志，包括损失变化、参数权重、训练时间与性能指标。 4.模型验证与参数调整：（1）在验证集上评估模型预测值与实际值的一致性，采用的指标包括MAE、MSE、R²、RMSE等。（2）结合自动评估与人工抽样审阅结果，调整模型参数。（3）记录每轮优化后的模型性能变化。 5.最终评估与效果分析：（1）在测试集上进行最终评估，使用多维指标综合判断模型能力，包括MAE、MSE、R²、RMSE等。（2）开展误差分析，识别常见错误模式，为后续优化提供依据。 6.模型优化建议：根据测试结果，给出模型优化建议，如调整学习率、增加正则化、改变网络结构等。 注：本算法规则涉及专利保护。
| 字段名 | 类型 | 描述 |
|---|---|---|
数据来源类型 |
-- | -- |
样本构建后的数据集X编号 |
-- | -- |
数据集D划分 |
-- | -- |
模型名称 |
-- | -- |
网络结构 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 数据来源类型 | 运行参数（涵盖影响空调能耗的主要因素）、能耗监测数据（单位能耗值） |
| 样本构建后的数据集X编号 | X2025****008 |
| 数据集D划分 | 训练集72、验证集9、测试集9 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/6579798