基于 CFD 和 LightGBM 算法的建筑室内温度 全局预测模型

温度控制对建筑节能意义重大,室内温度准确预测是建筑温度精确控制的前提。本文提出一种基于计算流体动力学(CFD)和LightGBM算法的建筑室内全局温度预测模型实现对同一时间全局温度模拟和全局时间序列温度变化预测。基于空间建筑结构、传感器精度范围和实际温度控制范围简化的CFD简化模型满足精度要求同时解决了数据冗余的问题,更具备实践性。在此基础上通过LightGBM和LSTM算法模拟全局区域温度空间序列变化规律,采用LightGBM算法预测温度时间序列变化实现对室内温度全局预测。试验采用某地区烟草储存库全年建筑运行数据和室内外温度监测数据,构建室内全局温度预测模型,通过实际测量温度数据实验验证,建筑全局5 h温度分布预测准确系数为0.955 4,60 h温度范围预测准确系数为0.994 0,对比ANN,BP,LSTM算法,本文模型平均准确系数提高0.022 4~0.014 7。     

一种远距离行人小目标检测方法

远距离行人小目标成像像素少、缺乏纹理信息,深度卷积神经网络难以提取小目标细粒度特征,难以准确识别与检测。本文提出一种远距离行人小目标检测方法。首先,在YOLOv4的基础上引入浅层特征改进特征金字塔,提取行人小目标细粒度特征,提出引力模型特征自适应融合方法,增加多层次语义信息之间的关联度,防止小目标特征信息流失。然后,采用增强型超分辨率生成对抗网络增加行人小目标特征数量,提高行人小目标检测准确率。最后,选取图像像素中占比范围为0.004%～0.026%的行人小目标建立试验数据集,通过与Faster RCNN、ION、YOLOv4对比实验验证。结果表明,本文方法mAP_0.5提高了25.2%、26.3%、11.9%,FPS达到24,研究成果在远距离安防监测监控领域具有重要应用价值。