| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 楼宇空调控制的国内现状 | 第10-11页 |
| 1.1.2 楼宇空调控制的国外现状 | 第11页 |
| 1.2 研究内容 | 第11-12页 |
| 1.3 研究目的和意义 | 第12-13页 |
| 1.4 本文主要结构 | 第13-14页 |
| 第二章 相关工具及技术介绍 | 第14-23页 |
| 2.1 距离度量方法 | 第14-15页 |
| 2.2 KNN算法 | 第15-16页 |
| 2.3 深度学习 | 第16-21页 |
| 2.3.1 深度学习平台搭建 | 第17-18页 |
| 2.3.2 RNN模型 | 第18-19页 |
| 2.3.3 LSTM模型 | 第19-21页 |
| 2.4 数据可视化工具介绍 | 第21-22页 |
| 2.4.1 D3 | 第21页 |
| 2.4.2 E-charts | 第21-22页 |
| 2.4.3 Matplolib | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 楼宇空调的智能分析与决策系统设计 | 第23-30页 |
| 3.1 系统介绍 | 第23-25页 |
| 3.1.1 系统开发环境 | 第23页 |
| 3.1.2 系统架构设计 | 第23-24页 |
| 3.1.3 功能设计 | 第24-25页 |
| 3.2 数据分析 | 第25-28页 |
| 3.2.1 数据来源 | 第25页 |
| 3.2.2 原始数据分析 | 第25-27页 |
| 3.2.3 数据库设计 | 第27-28页 |
| 3.3 数据预处理 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 能量及控制参数预测与决策算法研究 | 第30-39页 |
| 4.1 最佳参考日模型 | 第30-34页 |
| 4.1.1 基于天气预测模型 | 第31-32页 |
| 4.1.2 基于天气和控制参数聚类模型 | 第32-33页 |
| 4.1.3 基于控制参数聚类模型 | 第33-34页 |
| 4.2 预测模型 | 第34-38页 |
| 4.2.1 深度学习模型 | 第35-36页 |
| 4.2.2 先聚类后深度学习模型 | 第36-37页 |
| 4.2.3 带聚类标签的深度学习模型 | 第37-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第五章 楼宇空调的智能分析与决策系统结果展示与评价 | 第39-51页 |
| 5.1 数据的多粒度展示 | 第39-42页 |
| 5.2 最佳参考日模型预测结果展示 | 第42-45页 |
| 5.2.1 基于天气预测结果展示 | 第42-43页 |
| 5.2.2 基于天气和控制参数预测结果展示 | 第43-44页 |
| 5.2.3 基于控制参数预测结果展示 | 第44-45页 |
| 5.3 预测模型结果展示 | 第45-49页 |
| 5.3.1 深度学习模型预测结果展示 | 第45-46页 |
| 5.3.2 先聚类后深度学习模型预测结果展示 | 第46-48页 |
| 5.3.3 带聚类标签的深度学习模型预测结果展示 | 第48-49页 |
| 5.4 模型对比结果展示 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 研究总结与展望 | 第51-53页 |
| 6.1 主要结论 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 在学期间的研究成果 | 第56-57页 |
| 致谢 | 第57页 |