《表1 部分样本信息：基于LSTM网络的建筑能耗预测方法》
提示：宽带有限、当前游客访问压缩模式
如图5所示，可以更直观地了解各个变量间的相关性，灰度表示变量间相关性的程度，可以看出，办公楼电力消耗量与雇员人数以及是否为休息日这两个属性相关程度较高。
| 图表编号 | XD00196387100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.12.01 |
| 作者 | 刘杭 |
| 绘制单位 | 苏州科技大学电子与信息工程学院、江苏省建筑智慧节能重点实验室 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 部分评论样本数据：基于改进LSTM算法的天地一体化信息网络流量预测》2020.12.20
- 《表1 部分样本数据：基于BP神经网络的风机关键部件故障预测》2021.03.01
- 《表1 部分样本数据：基于改进神经网络的一种新型MPPT预测方法》2021.01.15
- 《表1 各科室门诊数量：基于LSTM递归神经网络医院门诊量预测方法》2020.07.25
- 《表2 各时段门诊量：基于LSTM递归神经网络医院门诊量预测方法》2020.07.25
- 《表1 模型损失值：一种基于LSTM神经网络的电力负荷预测方法》2020.05.25
- 《表1 部分样本数据：基于IPSO-Elman神经网络的飞机客舱能耗预测》2020.07.25
- 《表3 三种方法网络参数：基于EMD降噪和LSTM网络的地铁风机轴承寿命预测》2020.06.26
- 《表2 训练集样本：基于SVR模型的建筑空调系统能耗预测方法》2020.08.25
- 《表3 测试集样本：基于SVR模型的建筑空调系统能耗预测方法》2020.08.25
- 《表1 子路径信息表：基于LSTM神经网络的降雨天旅行时间预测研究》2020.02.01
- 《表1 样本数据（部分）：基于BP神经网络的城市道路交叉口事故预测研究》2019.10.01
- 《表2 样本酒店建筑信息：基于能耗数据对比的无锡公共建筑节能分析》2019.12.25
- 《表1 样本商场建筑信息：基于能耗数据对比的无锡公共建筑节能分析》2019.12.25
- 《表1 部分样本数据：基于BP神经网络算法的矩形顶管施工地表沉降预测研究》2019.11.15
- 《表1 建筑维护结构参数：基于BP神经网络的空调能耗预测与监控系统》2019.11.15
- 《表2 部分代表性数据：基于SAE和LSTM的下肢外骨骼步态预测方法》2019.06.15
- 《表1 部分样本数据表：基于TensorFlow神经网络的数据中心故障预测研究》2019.08.15
- 《表2 性能对比：基于改进LSTM网络的犯罪态势预测方法》2019.08.10
- 《表1 部分样本数据：基于神经网络的数据中心故障预测方法的研究》2019.05.01