×
玛丽埃拉·莫克里什

采用线性回归进行独立成分分析，预测克罗地亚公共部门建筑的能源成本。 （英语） 兹伯利07638567

克罗地亚。操作。研究版本（CRORR） 13，编号2，173-185（2022）.

MSC公司：

62至XX 统计

关键词：

能源成本;因子分析;独立成分分析;预测;主成分分析;公共部门建筑

软件：

ElemStatLearn（电子状态学习）;固定点算法
PDF格式BibTeX公司 XML格式引用
\textit{M.Mokriš}，克罗地亚。操作。研究版本（CRORR）13，编号2，173--185（2022；Zbl 07638567）
全文： DOI程序
OA许可证

参考文献：

[1] Azaza，M.、Eskilsson，A.、Wallin，F.（2015）。一个开源可视化平台，用于绘制能量流图和增强决策。《能源百科全书》，1583208-3214.doi:10.1016/j.egypro.2019.01.1006
[2] Banoczy，E.，Szemes，P.T.（2014）。基于仿真的办公建筑节能改造优化。程序中。IEEE/SICE系统集成国际研讨会，222-227。
[3] Bartlett，M.S.（1951年）。因子分析中标准化对卡方近似值的影响。生物特征，38，337-344.doi:10.2307/2332580·Zbl 0045.08701号
[4] Bennasar，M.，Hicks，Y.，Setchi，R.（2015）。使用联合相互信息最大化进行特征选择。应用专家系统，42（22），8520-8532.doi:10.1016/j.eswa.2015.07.007
[5] Bro，R.、Kjeldahl，K.、Smiled，A.K.、Kiers，H.A.（2008年）。组件模型的交叉验证：对当前方法的批判性研究。《肛门生物肛门化学》，390（5）.doi:10.1007/s00216-007-1790-1
[6] Cangelosi，R.，Goriely，A.（2007年）。主成分分析中的成分保留及其在DNA微阵列数据中的应用。生物直接，2（2）。
[7] Chagnaa，A.，Ock，C.-Y.，Lee，C.-B.，Jaimai P.（2007年）。基于独立分量分析的概念特征提取。国际信息处理系统杂志，3（1）。[doi:10.3745/jips.2007.3.1.033]
[8] Chen，Y.，Jiang，H.，Li，C.，Jia，X.，Ghamisi，P.（2016）。基于卷积神经网络的高光谱图像深度特征提取与分类。IEEE地球科学与遥感汇刊，54（10），6232-6251。
[9] Cheung，C.T.、Mui，Ky.W.、Wong，L.T.（2015）。一种预测香港公共住房制冷能源需求的混合模拟方法。建筑模拟，8（6），603-611。[doi:10.1007/s12273-015-0233-8]
[10] Donoho，D.L.（2000）。高维数据分析：维度的诅咒和诅咒。美国数学学会会议教学辅助记忆：21世纪的数学挑战。https://www.researchgate.net/publication/220049061_高维数据分析_The_Curses_and_Blessings_of_Dimensionality[访问日期：16/03/22]。
[11] Engreitz，J.M.、Daigle，B.J.Jr.、Marshall，J.J.、Altman，R.B.（2010）。独立成分分析：挖掘基本人类基因表达模块的微阵列数据。生物医学信息学杂志，43（6），932-944。
[12] 欧洲议会、欧盟理事会（2010年）。2010年5月19日欧洲议会和理事会关于建筑能源性能的第2010/31/EU号指令。《欧盟官方期刊》，153，13-35。
[13] 欧洲议会、欧盟理事会（2012年）。2012年10月25日欧洲议会和理事会关于能源效率修正指令的第2012/27/EU号指令
[14] 欧洲议会、欧盟理事会（2018a）。欧洲议会和理事会2018年5月30日第2018/844号指令，修订了关于建筑能源性能的第2010/31/EU号指令和关于能源效率的第2012/27/EU号指令。《欧盟官方公报》，15675-91。
[15] 欧洲议会、欧盟理事会（2018b）。2018年12月11日欧洲议会和理事会第2018/2002号指令（EU）修订了关于能源效率的第2012/27/EU号指令。《欧盟官方公报》，328，210.-230。
[16] 傅毅、李振伟、张华、徐鹏（2015）。利用支持向量机预测带分电设备的公共建筑次日用电负荷。程序工程，1016-1022.doi:10.1016/j.proeng.2015.09.097
[17] Gorban，A.N.、Makarov，V.A.、Tyukin，I.Y.（2020年）。高维世界中的高维大脑：维度的祝福。熵，22（82）.10.3390/e2201082
[18] Gorban，A.N.，Tyukin，I.Y.（2018年）。维度的祝福：数据统计物理的数学基础。菲尔翻译。R.Soc.A.，376（20170237）.doi:10.1098/rsta.2017.0237·Zbl 1470.82004年
[19] Guyon，I.，Elisseeff，A.（2003）。变量和特征选择简介。机器学习研究杂志，31157-1182·Zbl 1102.68556号
[20] Hair，J.F.Jr.，Black，W.C.，Babin，B.J.，Anderson，R.E.（2014）。多元数据分析（第7版）。哈洛：人的教育。
[21] Hastie，T.、Tibshirani，R.、Friedman，J.（2009）。统计学习的要素：数据挖掘、推理和预测（第二版）。纽约：斯普林格·Zbl 1273.62005年
[22] 霍达克，K.，哈斯，A.，莫克里斯，M.（2022）。对大陆克罗地亚公共部门建筑进行聚类分析，以支持区域发展。RED 2022会议记录，271-280。
[23] 霍恩，J.L.（1965）。因子分析中因子数量的基本原理和测试。《心理测量学》，30（2），179-185.doi:10.1007/BF02289447·Zbl 1367.62186号
[24] 霍华德·B、帕沙尔·L、汤普森·J、哈默·S、狄金森·J、莫迪·V（2012）。按最终用途划分的城市建筑能耗的空间分布。能源与建筑，45，141-151。doi:10.1016/j.enbuild.2011.10.061
[25] Hyv¨arine，A.（2013年）。独立成分分析：最新进展。菲尔翻译。R.Soc.A.，371（20110534）.doi:/10.1098/rsta.2011.0534·兹比尔1353.62066
[26] Hyv¨arinen，A.、Karhunen，J.、Oja，E.（2001）。独立成分分析。纽约：John Wiley&Sons，Inc。
[27] Hyv¨arine，A.，Oja，E.（2000年）。独立成分分析：算法和应用。神经网络，13，411-430。
[28] Jolliffe，I.T.（2002）。主成分分析（第二版）。纽约：斯普林格·Zbl 1011.62064号
[29] Jolliffe，I.T.，Cadima，J.（2016）。主成分分析：综述和最新发展。菲洛斯。事务处理。A.数学。物理学。工程科学。，374（2065）.doi:10.1098/rsta.2015.0202·Zbl 1353.62067号
[30] Kairov，U.、Cantini，L.、Greco，A.、Molkenov，A.、Czerwinska，U.，Barillot，E.、Zinovyev A.（2017）。确定可重复转录组数据分析的最佳独立成分数量。BMC基因组学，18（712）.doi:10.1186/s12864-017-4112-9
[31] Kaiser，H.F.（1974年）。Anindexofactor简单。《心理测量学》，39（1），31-36。doi:10.1007/BF02291575·Zbl 0295.92017号
[32] Kavaklioglu，K.（2019）。基于主成分的土耳其电力消费稳健向量自回归预测。能源系统-优化建模模拟和经济方面，10（4），889-910.doi:10.1007/s12667-018-0302-z
[33] Krumsiek，J.、Suhre，K.、Illig，T.、Adamski，J.和Theis，F.J.（2012）。贝叶斯独立成分分析从血液代谢组学数据中恢复通路特征。蛋白质组研究杂志，11:4120-31.doi:10.1021/pr300231n
[34] Lee，J.A.，Verleysen M.（2007年）。非线性降维。纽约：斯普林格·Zbl 1128.68024号
[35] Lee，S.、Shen，H.P.、Truong，Y.、Lewis，M.、Huang，X.M.（2011）。涉及自相关源的独立成分分析及其在功能磁共振成像中的应用。美国统计协会杂志，106（495），1009-1024.doi:10.1198/jasa.2011.tm10332·Zbl 1229.62123号
[36] Liu，H.，Wang，J.（2011）。将独立成分分析和主成分分析与神经网络相结合对中国股市进行预测。工程中的数学问题，382659.doi:10.1155/2011/382659
[37] Ma，M.，Yan，R.，Cai，W.G.（2017）。基于STIRPAT模型的扩展方法，用于评估影响现有公共建筑部门碳排放的驱动力：2000-2015年中国的证据。《自然灾害》，89741-756.doi:10.1007/s11069-017-2990-4
[38] Maki，S.、Ashina，S.，Fujii，M.、Fujita，T.、Yabe，N.、Uchida，K.、Ginting，G.、Boer，R.、Chandran，R.（2018）。采用电力消费监测系统和综合时间序列分析模型：印度尼西亚茂物的案例研究。能源前沿，12（3），426-439。doi:10.1007/s11708-018-0560-4
[39] Menze，B.H.，Kelm，B.M.，Masuch，R.，Himmelreich，U.，Bachert，P.，Petrich，W.，Hamprecht，F.A.（2009年）。随机森林及其基尼重要性与标准化学计量学方法在光谱数据特征选择和分类中的比较。BMC生物信息学，10（213）。doi:10.1186/1471-2105-10-213
[40] Nordhausen，K.，Oja，H.（2018年）。独立成分分析：统计视角。威利跨学科评论-计算统计学，10（5）.doi:10.1002/wics.1440
[41] Pal，M.，Foody，G.M.（2010年）。基于SVM的高光谱数据分类特征选择。IEEE地球科学与遥感汇刊，48（5），2297-2307。doi:10.1109/tgrs.2009.2039484
[42] Ruggieri，S.（2019年）。在决策树中完成特征选择搜索。机器学习研究杂志，20（104）。https://www.jmlr.org/papers/volume20/18-035/18-035.pdf ·Zbl 1446.68141号
[43] Ruiz，L.G.B.，Cuellar，M.P.，Calvo Flores，M.D.，Jimenez，M.D.P.（2016）。非线性自回归神经网络在公共建筑能耗预测中的应用，能源，9（9）.doi:/10.3390/en9090684
[44] Summerfield，A.J.、Lowe，R.J.、Oreszczyn，T.（2010）。英国国内基准的两种模型提供了能源。建筑研究与信息，38（1），12-24。网址：10.1080/09613210903399025
[45] Theodoridis，S.，Konstantinos，K.（2009年）。模式识别。伦敦：学术出版社。
[46] Tonkovi´c，Z.、Mitrovi´c、S.、Zeki´c-Su´sac，M.（2018年）。公共建筑天然气消耗管理商业智能系统。程序中。国际经济和社会发展科学会议（第769-778页）
[47] Wooldrige，J.M.（2012）。《计量经济学导论——现代方法》（第5版）。波士顿：Cengage Learning。
[48] Zeki´c-Su´sac，M.，Kne´zevi´c，M.，Scitovski，R.，（2020）。深入学习公共部门建筑能源成本建模。在Mart´ñnez-´Alvarez，F.、Tronosco Lora，A.、S´aez Muínoz，J.A.、Quinti´an，H、Corchado，E.（编辑）中。智能系统和计算进展（第101-110页）。商会：施普林格国际出版股份有限公司。
[49] Zeki´c-Su´sac，M.、Mitrovi´c，S.、Has，A.（2021）。基于机器学习的系统，用于管理公共部门的能效，以实现智能城市。《国际信息管理杂志》，58.doi:10.1016/j.ijinfomgt.2020.10274
[50] Zeki´c-Su´sac，M.，Knee´zevi´c，M..，Scitovski，R.（2021年）。通过线性回归和深度学习对公共部门建筑的能源成本进行建模。中欧运筹学杂志，29，307-322.doi:10.1007/s10100-019-00643-y·Zbl 07360139号
[51] Zeki´c-Su´sac，M.、Has，A.、Kne´zevi´c，M..（2021）。通过人工神经网络、CART和随机森林预测公共建筑的能源成本。神经计算，439223-233。doi:10.1016/j.neucom.2020.01
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。