台科大行事曆的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列必買單品、推薦清單和精選懶人包

基於EM-GAM-AR之校園建築物之電耗預測模型

為了解決台科大行事曆的問題，作者何宗緯 這樣論述：

校園建築物的電耗模型，由於學期寒暑假、期中末考試等不同的用電型態，而比商用建築物或住家的電耗模型來得複雜。精確的電耗模型可當作節能與即時異常偵測的依據。本研究的目的是由校園建築物歷史電耗資料建構能反應一年中不同月、日、小時以及不同校園作息如寒暑假與學期中特殊假期或是大考等行事曆型態的電耗預測模型。在電耗預測值的分析上，我們採用 EM-GAM-AR 的兩段迴歸分析方法：首先，Expectation-Maximization (EM) 會針對學校不同日子的電耗圖形進行分群，並取得最顯著的日子類別，接著使用 GAM (Generalized Additive Model)模型用來塑模如：月、日、時

、以及不同行事曆型態的外部變數，以獲得在此外部條件下的基準預測。而對於預測範圍的決定，相較於盲目假設前述 GAM 模型所遺留誤差值為常態分佈，我們利用 AR (Autoregressive) 模型對 GAM 模型所遺留誤差值解釋其時序特性，再利用 AR 遺留的殘差值進行統計自助法 (Bootstrap resampling)，以反應歷史電耗的統計特性。針對台科大研究大樓的 2014 的歷史電耗資料，我們在 R programming上透過 Deviance Explained (DE)的驗證來決定 GAM 模型並實現上述 GAM-AR 配加 Bootstrap 統計建模的程序，得到校園電耗預測

模型。在此基礎上，我們根據 2015年實際外部變數的條件，由上述模型進行預測，並且將之計算 DE、mean absolutepercentage error (MAPE)、correlation 以及 coverage absolute error (CAE) 此四項指標並進一步與其他方法進行比較來驗證我們模型的預測能力。在模型訓練品質上，我們的模型在 DE 值取得 92.8%的結果，相比於一樣在電耗預測使用 GAM 模型的方法中，我們的結果顯示對訓練資料的擬合狀況良好；此外，我們的模型在實際預測上的MAPE 值接近 10%，相較於許多現行方法而言有更好的精準度，且更進一步計算 CAE也僅有

5.74%，此兩項結果亦驗證我們模型在實際預測上有良好的預測能力。總而言之，根據歷史的電耗資料，本論文所提供的方法可以建構在不同外部變數條件下，估測建築物在不同月、日、時下的電能損耗值，可當作後續建築物能源管理方針以及即時異常偵測的依據。