本發(fā)明涉及電數(shù)字?jǐn)?shù)據(jù)處理領(lǐng)域，具體涉及一種建筑用水智能管控方法及系統(tǒng)。

背景技術(shù)：

1、水資源作為建筑日常運(yùn)行的重要部分，其消耗不僅影響水資源的利用效率，也直接關(guān)系到與水相關(guān)的能源開支（如水泵的運(yùn)行能耗、熱水供應(yīng)系統(tǒng)的能耗等）。為了節(jié)約用水、加強(qiáng)水資源利用，目前各建筑中通常都會(huì)配備建筑用水智能管控系統(tǒng)（也稱智慧用水系統(tǒng)、智能水控、智能水控管理系統(tǒng)、智慧水務(wù)等），這類系統(tǒng)主要依靠安裝在管路中或管路上的多個(gè)水務(wù)設(shè)備實(shí)現(xiàn)遠(yuǎn)程監(jiān)測(cè)，通過監(jiān)測(cè)獲取建筑用水?dāng)?shù)據(jù)后，這類系統(tǒng)的數(shù)據(jù)處理器會(huì)分析建筑用水?dāng)?shù)據(jù)并作出相應(yīng)的決策。水務(wù)設(shè)備包括流量計(jì)、水位計(jì)、氣象環(huán)境、遙測(cè)數(shù)采、水質(zhì)測(cè)量?jī)x器等。這類系統(tǒng)能夠?qū)崿F(xiàn)對(duì)原水、供水、節(jié)水、排水、污水等水務(wù)的全流程監(jiān)測(cè)以及管理，降低維護(hù)難度，降低能耗，因此得到了廣泛的推廣和應(yīng)用。

2、但是現(xiàn)有的建筑用水智能管控系統(tǒng)的數(shù)據(jù)處理器在分析建筑用水?dāng)?shù)據(jù)（通常為電數(shù)字?jǐn)?shù)據(jù)）時(shí)存在以下問題：

3、（一）為了更好地處理建筑用水?dāng)?shù)據(jù)，在訓(xùn)練數(shù)據(jù)處理器時(shí)會(huì)利用條件生成對(duì)抗網(wǎng)絡(luò)生成模擬建筑用水?dāng)?shù)據(jù)，但現(xiàn)有條件生成對(duì)抗網(wǎng)絡(luò)的條件變量的編碼通常是靜態(tài)的，在整個(gè)訓(xùn)練過程中不發(fā)生變化。這種固定的條件編碼限制了生成器生成數(shù)據(jù)的多樣性，尤其在面對(duì)建筑用水?dāng)?shù)據(jù)這種復(fù)雜多模態(tài)數(shù)據(jù)時(shí)，無法有效反映不同條件下的真實(shí)水流行為、環(huán)境變化和用戶習(xí)慣，導(dǎo)致生成的模擬建筑用水?dāng)?shù)據(jù)缺乏適應(yīng)性和真實(shí)感，使得模擬建筑用水?dāng)?shù)據(jù)的多樣性不足，從而影響其他模型的訓(xùn)練，最終影響數(shù)據(jù)分析的準(zhǔn)確率；

4、（二）數(shù)據(jù)處理器會(huì)用分類器為處理后的建筑用水?dāng)?shù)據(jù)標(biāo)注其的分類類別，分類的依據(jù)根據(jù)需求決定，可以是水質(zhì)、水流量等等?，F(xiàn)有分類器存在以下三個(gè)問題，①現(xiàn)有分類器的特征選擇策略簡(jiǎn)單，無法處理高維度復(fù)雜數(shù)據(jù)?，F(xiàn)有分類器的決策樹模型通常采用全局熵或gini指數(shù)作為分裂標(biāo)準(zhǔn)，這種方法雖然簡(jiǎn)單易行，但在高維數(shù)據(jù)和復(fù)雜場(chǎng)景下，其對(duì)特征的區(qū)分能力不足，可能導(dǎo)致模型在決策時(shí)選擇了不太合適的特征，進(jìn)而影響分類準(zhǔn)確性和效率，尤其是對(duì)于建筑用水?dāng)?shù)據(jù)這種涉及多維、非線性、非高斯分布的數(shù)據(jù)而言。因此，傳統(tǒng)的特征選擇方法容易造成節(jié)點(diǎn)分裂的不準(zhǔn)確，影響分類器的性能。②現(xiàn)有分類器的學(xué)習(xí)率固定，難以適應(yīng)不同階段的訓(xùn)練需求，在現(xiàn)有技術(shù)中，深度學(xué)習(xí)模型大多采用固定學(xué)習(xí)率，導(dǎo)致在訓(xùn)練的初期，分類器可能學(xué)習(xí)速度較慢，無法有效探索數(shù)據(jù)的復(fù)雜模式；而在訓(xùn)練后期，由于學(xué)習(xí)率過高，容易導(dǎo)致模型過度擬合，陷入局部最優(yōu)解，難以進(jìn)一步優(yōu)化。③現(xiàn)有分類器的類別不平衡處理能力不足?，F(xiàn)有分類器對(duì)于類別不平衡問題的處理較為簡(jiǎn)單，通常依賴于數(shù)據(jù)采樣技術(shù)（如欠采樣或過采樣）或簡(jiǎn)單的類別權(quán)重調(diào)整。然而，這些方法往往會(huì)影響模型的整體性能。欠采樣可能會(huì)損失大量數(shù)據(jù)，過采樣則可能引入冗余，導(dǎo)致過擬合?，F(xiàn)有分類器缺乏動(dòng)態(tài)調(diào)整權(quán)重的機(jī)制來應(yīng)對(duì)類別不平衡問題，難以在不影響模型性能的前提下提升少數(shù)類別的分類效果?，F(xiàn)有分類器存在的問題使得對(duì)建筑用水?dāng)?shù)據(jù)的判別并不準(zhǔn)確。

5、因此現(xiàn)有的建筑用水智能管控系統(tǒng)及方法存在數(shù)據(jù)分析準(zhǔn)確率較差的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提供一種數(shù)據(jù)分析準(zhǔn)確率較高的建筑用水智能管控方法及系統(tǒng)。

2、為解決上述技術(shù)問題，本發(fā)明提供的一種建筑用水智能管控方法包括：

3、s1、采集真實(shí)建筑用水?dāng)?shù)據(jù)，標(biāo)注真實(shí)建筑用水?dāng)?shù)據(jù)的能耗等級(jí)，存儲(chǔ)標(biāo)注后的真實(shí)建筑用水?dāng)?shù)據(jù)；

4、能耗等級(jí)包括一級(jí)、二級(jí)、三級(jí)、四級(jí)以及五級(jí)；

5、s2、采用標(biāo)注后的真實(shí)建筑用水?dāng)?shù)據(jù)訓(xùn)練基于采用動(dòng)態(tài)重編碼策略的條件生成對(duì)抗網(wǎng)絡(luò)算法的數(shù)據(jù)擴(kuò)充模型，訓(xùn)練完成后，利用數(shù)據(jù)擴(kuò)充模型生成模擬建筑用水?dāng)?shù)據(jù)，獲得擴(kuò)充后的訓(xùn)練用建筑用水?dāng)?shù)據(jù)；

6、擴(kuò)充后的訓(xùn)練用建筑用水?dāng)?shù)據(jù)包括真實(shí)建筑用水?dāng)?shù)據(jù)與模擬建筑用水?dāng)?shù)據(jù)；

7、s3、采用擴(kuò)充后的訓(xùn)練用建筑用水?dāng)?shù)據(jù)訓(xùn)練特征提取模型，獲得特征提取后的訓(xùn)練用建筑用水?dāng)?shù)據(jù)；

8、s4、采用特征提取后的訓(xùn)練用建筑用水?dāng)?shù)據(jù)訓(xùn)練基于局部結(jié)構(gòu)熵的深度神經(jīng)決策樹算法的分類器；

9、分類器通過局部結(jié)構(gòu)熵來評(píng)估特征的分類貢獻(xiàn)度，在每個(gè)決策節(jié)點(diǎn)，選擇最能夠提高分類準(zhǔn)確性的特征進(jìn)行分裂；采用基于判別器性能反饋的自適應(yīng)學(xué)習(xí)率調(diào)整機(jī)制動(dòng)態(tài)調(diào)整學(xué)習(xí)率；采用類別權(quán)重自適應(yīng)更新機(jī)制，動(dòng)態(tài)調(diào)整各類別的權(quán)重；

10、s5、采集新的真實(shí)建筑用水?dāng)?shù)據(jù)；

11、s6、將新的真實(shí)建筑用水?dāng)?shù)據(jù)輸入至訓(xùn)練完成的特征提取模型中進(jìn)行特征提取，獲得特征提取后的新的真實(shí)建筑用水?dāng)?shù)據(jù)；

12、s7、將特征提取后的新的真實(shí)建筑用水?dāng)?shù)據(jù)輸入至訓(xùn)練完成的分類器中，得到新的真實(shí)建筑用水?dāng)?shù)據(jù)的能耗等級(jí)；

13、s8、識(shí)別新的真實(shí)建筑用水?dāng)?shù)據(jù)的能耗等級(jí)，若新的真實(shí)建筑用水?dāng)?shù)據(jù)的能耗等級(jí)為四級(jí)或五級(jí)，判定用水情況存在異常，啟動(dòng)節(jié)水模式并觸發(fā)警報(bào)通知維護(hù)人員；若新的真實(shí)建筑用水?dāng)?shù)據(jù)的能耗等級(jí)為一級(jí)、二級(jí)或三級(jí)，判定用水情況正常，維持當(dāng)前供水模式。

14、作為本發(fā)明的更進(jìn)一步的改進(jìn)：s1中的建筑用水?dāng)?shù)據(jù)包括傳感器數(shù)據(jù)、系統(tǒng)日志、用戶行為數(shù)據(jù)以及環(huán)境因素。

15、作為本發(fā)明的更進(jìn)一步的改進(jìn)：s2中的采用標(biāo)注后的建筑用水?dāng)?shù)據(jù)訓(xùn)練基于條件生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)擴(kuò)充模型包括：

16、s201、條件生成對(duì)抗網(wǎng)絡(luò)的生成器接收噪聲信號(hào)和條件變量，生成模擬建筑用水?dāng)?shù)據(jù)，生成過程的數(shù)學(xué)模型表示為：

17、，

18、式中，為生成器生成的模擬建筑用水?dāng)?shù)據(jù)，為生成器網(wǎng)絡(luò)，為生成器函數(shù)，為從預(yù)定義的噪聲分布中采樣得到的隨機(jī)向量，為動(dòng)態(tài)重編碼后的條件變量；

19、生成器函數(shù)通過將條件變量與噪聲隨機(jī)向量拼接作為其輸入，表示為：

20、，

21、式中，為生成器函數(shù)，為從預(yù)定義的噪聲分布中采樣得到的隨機(jī)向量，為動(dòng)態(tài)重編碼后的條件變量，為sigmoid激活函數(shù)，為條件生成對(duì)抗網(wǎng)絡(luò)的生成器的權(quán)重，為向量的拼接操作，為條件生成對(duì)抗網(wǎng)絡(luò)的生成器的偏置；

22、采用動(dòng)態(tài)重編碼策略進(jìn)行條件變量獲取的方式表示為：

23、，

24、式中，為動(dòng)態(tài)重編碼前的條件變量的向量，為基于判別器輸出的動(dòng)態(tài)調(diào)整因子；

25、s202、判別器評(píng)估模擬建筑用水?dāng)?shù)據(jù)與真實(shí)建筑用水?dāng)?shù)據(jù)之間的區(qū)分度，判別器輸入為第一輸入或第二輸入，第一輸入為動(dòng)態(tài)重編碼后的條件變量與模擬建筑用水?dāng)?shù)據(jù)，第二輸入為真實(shí)建筑用水?dāng)?shù)據(jù)，輸出為建筑用水?dāng)?shù)據(jù)的真實(shí)性評(píng)分，表示為：

26、，

27、式中，為判別器對(duì)建筑用水樣本的真實(shí)性評(píng)分，為判別器網(wǎng)絡(luò)，為判別器函數(shù)，為生成器生成的模擬建筑用水?dāng)?shù)據(jù)，為動(dòng)態(tài)重編碼后的條件變量；

28、s203、根據(jù)判別器的反饋，生成器和判別器的參數(shù)通過梯度下降算法進(jìn)行更新，生成器與判別器的對(duì)抗訓(xùn)練過程中的損失函數(shù)表示為：

29、，

30、式中，為生成器的損失，為期望操作，為從噪聲分布中采樣得到的隨機(jī)噪聲，為服從于特定分布，為噪聲分布，為自然對(duì)數(shù)，為判別器函數(shù)，為生成器函數(shù)，為動(dòng)態(tài)重編碼后的條件變量，為生成器損失函數(shù)的調(diào)節(jié)參數(shù)，為內(nèi)容損失，為判別器的損失，為從真實(shí)建筑用水?dāng)?shù)據(jù)分布中采樣得到的建筑用水樣本，為真實(shí)建筑用水?dāng)?shù)據(jù)分布，為特征權(quán)重向量；

31、s204、在對(duì)抗訓(xùn)練過程中，每次迭代都通過對(duì)抗的方式精細(xì)調(diào)整生成器和判別器的性能，在迭代過程中，生成器和判別器交替進(jìn)行參數(shù)更新，以達(dá)到納什均衡，該過程表示為以下遞歸關(guān)系：

32、，

33、式中，為第t+1次迭代的生成器的參數(shù)，為第t次迭代的生成器的參數(shù)，為條件生成對(duì)抗網(wǎng)絡(luò)的學(xué)習(xí)率，為條件生成網(wǎng)絡(luò)的生成器的參數(shù)，為關(guān)于生成器參數(shù)的梯度，為生成器的損失函數(shù)，為第t次迭代的判別器的參數(shù)，為第t+1次迭代的判別器的參數(shù)，為條件生成網(wǎng)絡(luò)的判別器的參數(shù)，為關(guān)于判別器參數(shù)的梯度，為判別器的損失函數(shù)；

34、s205、重復(fù)迭代s201~s204，直至滿足預(yù)設(shè)的停止迭代條件。

35、優(yōu)選地，s203中內(nèi)容損失的計(jì)算公式為：

36、，

37、式中，為范數(shù)，為生成器函數(shù)，為從預(yù)定義的噪聲分布中采樣得到的隨機(jī)向量，為動(dòng)態(tài)重編碼后的條件變量，為真實(shí)建筑用水樣本。

38、作為本發(fā)明的更進(jìn)一步的改進(jìn)：s3中的采用擴(kuò)充后的訓(xùn)練用建筑用水?dāng)?shù)據(jù)訓(xùn)練特征提取模型包括：

39、s301、初始化神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)；

40、s302、在每一輪訓(xùn)練中，訓(xùn)練數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)進(jìn)行前向傳播，訓(xùn)練數(shù)據(jù)包括真實(shí)建筑用水?dāng)?shù)據(jù)與模擬建筑用水?dāng)?shù)據(jù)，神經(jīng)網(wǎng)絡(luò)根據(jù)當(dāng)前的權(quán)重和偏置計(jì)算每層的輸出，每層的輸出計(jì)算表示為：

41、，

42、式中，為神經(jīng)網(wǎng)絡(luò)第層的輸出，為sigmoid激活函數(shù)，為神經(jīng)網(wǎng)絡(luò)第層的權(quán)重，為神經(jīng)網(wǎng)絡(luò)第-1層的輸出，為神經(jīng)網(wǎng)絡(luò)第層的偏置；

43、s303、計(jì)算當(dāng)前輸出與實(shí)際標(biāo)簽之間的損失，神經(jīng)網(wǎng)絡(luò)的損失函數(shù)的計(jì)算公式為：

44、，

45、式中，為用于平衡兩種損失貢獻(xiàn)的超參數(shù)，為交叉熵?fù)p失函數(shù)，y為真實(shí)標(biāo)簽，為模型預(yù)測(cè)，為kl散度函數(shù)，為用于衡量真實(shí)分布p和模型預(yù)測(cè)分布q之間的差異；

46、s304、使用反向傳播算法計(jì)算損失函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)每個(gè)權(quán)重的梯度，并根據(jù)這些梯度更新權(quán)重，更新方式表示為：

47、，

48、式中，為神經(jīng)網(wǎng)絡(luò)第層的權(quán)重，為參數(shù)更新操作，為第t次迭代的約束強(qiáng)度，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，為神經(jīng)網(wǎng)絡(luò)的損失函數(shù)關(guān)于權(quán)重的梯度；

49、s305、在每個(gè)訓(xùn)練階段后，使用建筑用水?dāng)?shù)據(jù)驗(yàn)證集檢驗(yàn)?zāi)Ｐ偷男阅?，根?jù)驗(yàn)證結(jié)果調(diào)整網(wǎng)絡(luò)參數(shù)或訓(xùn)練策略，第t次迭代的約束強(qiáng)度的計(jì)算公式為：

50、，

51、式中，為初始約束強(qiáng)度，調(diào)節(jié)收斂度量對(duì)調(diào)整影響的敏感度，為收斂度量，為決定調(diào)整發(fā)生強(qiáng)度的閾值，是約束強(qiáng)度衰減率，是當(dāng)前迭代次數(shù)；

52、s306、重復(fù)迭代s302~s304，直至滿足預(yù)設(shè)的停止迭代條件。

53、作為本發(fā)明的更進(jìn)一步的改進(jìn)：s4中采用特征提取后的訓(xùn)練用建筑用水?dāng)?shù)據(jù)訓(xùn)練基于局部結(jié)構(gòu)熵的深度神經(jīng)決策樹算法的分類器包括：

54、s401、初始化深度神經(jīng)決策樹模型的結(jié)構(gòu)；

55、s402、在每個(gè)決策節(jié)點(diǎn)，選擇最能夠提高分類準(zhǔn)確性的特征進(jìn)行分裂，在第i個(gè)決策節(jié)點(diǎn)，選擇特征通過最大化局部結(jié)構(gòu)熵增益來進(jìn)行分裂，表示為：

56、，

57、式中，為信息增益函數(shù)，為第i個(gè)輸入到深度神經(jīng)決策樹的特征的局部結(jié)構(gòu)熵增益函數(shù)，為特征的度量函數(shù)，為第i個(gè)輸入到深度神經(jīng)決策樹的特征，為特征的度量平衡參數(shù)，為候選特征集合s的熵，為熵計(jì)算函數(shù)，s為候選特征集合，為左右子節(jié)點(diǎn)集合中的特征元素，為通過特征分割后得到的子集，和分別為通過特征分割后得到的左右子集，l和r分別為左右子節(jié)點(diǎn)；

58、s403、根據(jù)選擇的特征和其閾值進(jìn)行節(jié)點(diǎn)分裂，將數(shù)據(jù)分配到左右子節(jié)點(diǎn)，根據(jù)選擇的特征和其最優(yōu)分裂點(diǎn)，對(duì)數(shù)據(jù)進(jìn)行分裂，分裂函數(shù)表示為：

59、，

60、式中，為決策函數(shù)，為第i個(gè)特征的索引，為第i個(gè)輸入到深度神經(jīng)決策樹的特征，為第i個(gè)輸入到深度神經(jīng)決策樹的特征的最優(yōu)閾值；

61、s404、進(jìn)行葉節(jié)點(diǎn)標(biāo)定，在決策樹的葉節(jié)點(diǎn)，根據(jù)節(jié)點(diǎn)中樣本的多數(shù)類別來標(biāo)定節(jié)點(diǎn)類別，采用基于多數(shù)投票的策略來確定節(jié)點(diǎn)類別；

62、s405、進(jìn)行模型訓(xùn)練與自適應(yīng)學(xué)習(xí)率調(diào)整，通過反向傳播算法進(jìn)行參數(shù)更新，結(jié)合神經(jīng)微分方程的自適應(yīng)學(xué)習(xí)率策略，根據(jù)每一輪訓(xùn)練的損失變化動(dòng)態(tài)調(diào)整學(xué)習(xí)率，考慮損失函數(shù)的二階導(dǎo)數(shù)信息進(jìn)行學(xué)習(xí)率調(diào)整，計(jì)算深度神經(jīng)決策樹的參數(shù)更新量；

63、s406、進(jìn)行深度神經(jīng)決策樹的損失函數(shù)的計(jì)算，在節(jié)點(diǎn)分裂時(shí)，采用自適應(yīng)的類別權(quán)重更新機(jī)制，根據(jù)每個(gè)類別的樣本分布情況動(dòng)態(tài)調(diào)整其權(quán)重，對(duì)于輸入到深度神經(jīng)決策樹的特征向量，采用新的類別權(quán)重更新函數(shù)計(jì)算類別權(quán)重，表示為：

64、，

65、式中，為第k個(gè)類別的類別權(quán)重；為調(diào)節(jié)權(quán)重變化的系數(shù)；為通過樣本的所有特征分割后得到的集合，s為候選特征集合，為類別樣本平衡的預(yù)設(shè)比例；

66、s407、重復(fù)迭代s402~s406，直至滿足預(yù)設(shè)的停止迭代條件。

67、優(yōu)選地，s401中始化深度神經(jīng)決策樹模型的結(jié)構(gòu)包括：設(shè)定深度神經(jīng)決策樹層數(shù)為，深度神經(jīng)決策樹每層節(jié)點(diǎn)數(shù)為，深度神經(jīng)決策樹第層權(quán)重為，深度神經(jīng)決策樹第層偏置為，初始化的方式表示為：

68、，

69、式中，為服從于特定分布；為均值為0、方差為的正態(tài)分布；為深度神經(jīng)決策樹初始化時(shí)的方差。

70、優(yōu)選地，s402中候選特征集合s的熵的計(jì)算公式為：

71、，

72、式中，為在候選特征集合s中第k個(gè)類別的相對(duì)頻率；

73、候選特征集合s的熵的計(jì)算公式中的在候選特征集合s中第k個(gè)類別的相對(duì)頻率的計(jì)算公式為：

74、，

75、式中，為相對(duì)頻率調(diào)節(jié)參數(shù)，為待分類的用水?dāng)?shù)據(jù)樣本，為通過樣本的所有特征分割后得到的集合，為樣本的權(quán)重，s為候選特征集合。

76、優(yōu)選地，s404中基于多數(shù)投票的策略來確定節(jié)點(diǎn)類別的計(jì)算公式為：

77、，

78、式中，為基于多數(shù)投票的策略來確定節(jié)點(diǎn)類別，為使得函數(shù)取最大值所對(duì)應(yīng)的樣本類別，為待分類的用水?dāng)?shù)據(jù)樣本，s為候選特征集合，為指示函數(shù)，為輸入到深度神經(jīng)決策樹的樣本的真實(shí)標(biāo)簽，為第k個(gè)用水?dāng)?shù)據(jù)的類別。

79、本發(fā)明還提供一種應(yīng)用上述一種建筑用水智能管控方法的建筑用水智能管控系統(tǒng)，包括：

80、存儲(chǔ)模塊，用于存儲(chǔ)數(shù)據(jù)；

81、采集模塊，用于采集真實(shí)建筑用水?dāng)?shù)據(jù)并發(fā)送至存儲(chǔ)模塊中存儲(chǔ)，建筑用水?dāng)?shù)據(jù)包括傳感器數(shù)據(jù)、系統(tǒng)日志、用戶行為數(shù)據(jù)以及環(huán)境因素；

82、數(shù)據(jù)擴(kuò)充模塊，用于基于真實(shí)建筑用水?dāng)?shù)據(jù)生成模擬建筑用水?dāng)?shù)據(jù)，數(shù)據(jù)擴(kuò)充模塊的數(shù)據(jù)擴(kuò)充模型基于采用動(dòng)態(tài)重編碼策略的條件生成對(duì)抗網(wǎng)絡(luò)算法；

83、特征提取模塊，用于對(duì)建筑用水?dāng)?shù)據(jù)進(jìn)行特征提??；

84、分類模塊，用于標(biāo)注建筑用水?dāng)?shù)據(jù)的能耗等級(jí)，能耗等級(jí)包括一級(jí)、二級(jí)、三級(jí)、四級(jí)以及五級(jí)；分類模塊的分類器基于局部結(jié)構(gòu)熵的深度神經(jīng)決策樹算法，分類器采用基于判別器性能反饋的自適應(yīng)學(xué)習(xí)率調(diào)整機(jī)制動(dòng)態(tài)調(diào)整學(xué)習(xí)率，采用類別權(quán)重自適應(yīng)更新機(jī)制，動(dòng)態(tài)調(diào)整各類別的權(quán)重；

85、執(zhí)行模塊，用于識(shí)別建筑用水?dāng)?shù)據(jù)的能耗等級(jí)并調(diào)整供水模式。

86、本發(fā)明的有益效果如下：本發(fā)明提供的建筑用水智能管控方法及系統(tǒng)的數(shù)據(jù)分析準(zhǔn)確率較高。

87、首先，本發(fā)明的特征提取模型采用動(dòng)態(tài)重編碼策略，不同于傳統(tǒng)條件生成對(duì)抗網(wǎng)絡(luò)固定的條件變量，本發(fā)明根據(jù)當(dāng)前訓(xùn)練階段和判別器的反饋，動(dòng)態(tài)調(diào)整條件變量的編碼，從而生成更加真實(shí)且多樣化的模擬建筑用水?dāng)?shù)據(jù)，將模擬建筑用水?dāng)?shù)據(jù)和真實(shí)建筑用水?dāng)?shù)據(jù)共同作為訓(xùn)練數(shù)據(jù)訓(xùn)練特征提取模型、分類器，通過大量的訓(xùn)練提升特征提取模型、分類器的能力，以此使得特征提取模型、分類器能夠在后續(xù)更準(zhǔn)確地處理新的真實(shí)建筑用水?dāng)?shù)據(jù)，以此提升數(shù)據(jù)分析準(zhǔn)確率。

88、其次，本發(fā)明的分類器基于局部結(jié)構(gòu)熵的深度神經(jīng)決策樹算法，通過局部結(jié)構(gòu)熵來評(píng)估特征的分類貢獻(xiàn)度，選擇信息增益最大的特征進(jìn)行節(jié)點(diǎn)分裂，相比于傳統(tǒng)基于全局熵或gini指數(shù)的決策樹分裂方法，局部結(jié)構(gòu)熵能夠更精確地反映特征在當(dāng)前節(jié)點(diǎn)數(shù)據(jù)集上的區(qū)分度，從而提高分類決策的準(zhǔn)確性。同時(shí)，本發(fā)明的分類器在模型訓(xùn)練過程中采用基于判別器性能反饋的自適應(yīng)學(xué)習(xí)率調(diào)整機(jī)制，動(dòng)態(tài)調(diào)整學(xué)習(xí)率以適應(yīng)不同訓(xùn)練階段的需求。與固定學(xué)習(xí)率不同，自適應(yīng)學(xué)習(xí)率可有效避免訓(xùn)練初期學(xué)習(xí)過慢或后期過擬合問題。另外，本發(fā)明的分類器還采用類別權(quán)重自適應(yīng)更新機(jī)制，動(dòng)態(tài)調(diào)整各類別的權(quán)重，解決了類別不平衡問題，通過在每個(gè)葉節(jié)點(diǎn)中計(jì)算加權(quán)損失，分類器能更好地對(duì)少數(shù)類別進(jìn)行分類，從而提高整體分類器的魯棒性。最終，整體提升分類器為新的真實(shí)建筑用水?dāng)?shù)據(jù)判定其能耗等級(jí)的能力，以此提升數(shù)據(jù)分析準(zhǔn)確率。

89、因此本發(fā)明提供的建筑用水智能管控方法及系統(tǒng)的數(shù)據(jù)分析準(zhǔn)確率較高。