一种基于物联网的楼宇经济预测方法与系统与流程

1.本发明涉及计算机技术领域，尤其涉及一种基于物联网的楼宇经济预测方法与系统。


背景技术：

2.在企业经济发展过程中,针对其具体的经济状况及其未来的发展趋势进行预测和估算,能够帮助相应的管理人员更为清晰地认识到企业经济发展的趋势，提高企业经济决策的准确性,能够在较大程度上提升企业的发展速度,避免企业经济损失,而通过有效地经济预测就能够为具体的经济决策制定提供详细的资料和数据支持,保障经济决策制定的准确性。其次，有效的经济预测就能够在较大程度上保障企业经济计划制定的有效性和准确性,尽可能的避免计划失误的出现,保障企业健康发展。
3.目前的经济预测方法主要是根据历史经济发展情况，根据历史时间序列数据对未来的经济发展进行预测。但这种方法只能根据历史经济的发展情况来预测，不能根据企业的实际运转状态进行预测，一旦企业运转出现不可抗力因素的影响，仅仅利用往期经济数据的预测方法就会失效。且影响企业经济发展的因素是多样化的，且容易受到突发事件的影响，仅仅通过时间序列所表达出来的信息有限，在此基础上学习的模型和算法不能更好的学习企业发展运行情况，而只适合于时间序列规律较强的数据。物联网时代背景下，结合更多数据信息对企业经济发展进行预测成为亟待解决的问题。另外，企业经济数据会存在数据隐私安全问题，如何在不获取企业经济数据的条件下训练模型也是一个亟待解决的问题。


技术实现要素：

4.本发明针对上述的仅利用历史经济数据预测经济发展存在局限性的技术问题，提出一种基于物联网的楼宇经济预测方法与系统。
5.第一方面，本技术实施例提供了一种基于物联网的楼宇经济预测方法，包括：
6.影响因素数据获取步骤：采集与楼宇相关的互联网数据、物联网数据与企业经济数据，并计算滞后的所述物联网数据与所述企业经济数据的相关性，选取相关性最大的滞后数据，将所述互联网数据、所述物联网数据、所述企业经济数据与所述滞后数据预处理后分为第一训练集与第一测试集；
7.arima模型预测步骤：利用所述第一训练集训练arima模型并利用所述第一测试集对所述物联网数据进行时间序列预测，获得所述物联网数据中每一影响因素的预测结果作为arima模型的预测结果；
8.事件数据获取步骤：获取楼宇的事件数据，根据所述事件数据利用楼宇知识图谱得到楼宇的事件嵌入，将所述arima模型的预测结果与所述事件嵌入组成的多通道链接向量作为第二测试集；
9.lstm模型预测步骤：将所述第一训练集与所述事件嵌入组成的多通道链接向量以
及当前所在时间作为第二训练集，基于区块链和联邦学习根据所述第二训练集对lstm模型进行训练，获得企业经济预测模型，利用所述企业经济预测模型根据所述第二测试集对楼宇未来的经济进行预测。
10.上述楼宇经济预测方法，其中，所述arima模型预测步骤包括：
11.arima模型建立步骤：建立所述arima模型，基于物联网数据中每一影响因素数据根据aic准则对所述arima模型进行验证并获得与所述每一影响因素数据对应的最优参数，得到分别与每一影响因素数据对应的最优arima模型；
12.arima模型预测结果获得步骤：通过所述第一训练集训练所述最优arima模型，并利用所述第一测试集通过所述最优arima模型分别对每一影响因素数据进行预测，获得与每一影响因素数据对应的所述arima模型的预测结果。
13.上述楼宇经济预测方法，其中，所述事件数据获取步骤包括：
14.事件元组获取步骤：获取所述楼宇的事件数据，并从所述事件数据中提取事件元组；
15.事件嵌入获取步骤：通过将所述事件元组链接到所述楼宇知识图谱得到事件子图，对所述事件子图进行嵌入处理，得到所述楼宇的事件嵌入。
16.上述楼宇经济预测方法，其中，所述lstm模型预测步骤包括：
17.数据转化步骤：将所述第二训练集与所述第二测试集进行归一化处理；
18.模型结构确定步骤：初始化所述lstm模型的参数；
19.模型训练步骤：通过利用归一化后的所述第二训练集对所述lstm模型进行训练获得所述企业经济预测模型，并根据归一化后的所述第二测试集得到所述企业经济预测模型的预测结果。
20.上述楼宇经济预测方法，其中，所述lstm模型预测步骤还包括：通过将所述企业经济预测模型的预测结果与企业经济数据的真实值进行比较，对所述企业经济预测模型的预测结果进行准确度计算。
21.上述楼宇经济预测方法，其中，所述模型训练步骤包括：
22.本地模型训练步骤：利用归一化后的所述第二训练集训练本地lstm模型，将训练后的本地lstm模型参数通过智能合约上传至区块链；
23.全局模型参数获取步骤：通过所述智能合约监听并聚合所述本地lstm模型参数，获得全局模型参数并存储在所述区块链中；
24.企业经济预测模型获取步骤：根据所述全局模型参数判断全局模型是否收敛，若未收敛，则从所述区块链将所述全局模型参数发送至各参与方更新所述本地lstm模型参数，继续迭代训练，直到所述全局模型收敛,将收敛的所述全局模型作为所述企业经济预测模型。
25.上述楼宇经济预测方法，其中，所述互联网数据包括但不限于：楼宇的营业收入、楼宇的新闻舆情信息和利好信息；所述物联网数据包括但不限于：停车场车辆出入数据、企业用电量数据和企业门禁人员信息数据。
26.上述楼宇经济预测方法，其中，所述影响因素数据获取步骤包括：将所述互联网数据、所述物联网数据、所述企业经济数据与所述滞后数据通过利用3sigma原则去除异常点，并使用多重插补法补充缺失值进行预处理。
27.上述楼宇经济预测方法，其中，所述模型结构确定步骤包括：确定所述lstm模型的激活函数、确定接收所述lstm模型输出的完全连接人工神经网络、确定每一层网络节点的舍弃率、确定误差的计算方式、确定权重参数的迭代更新方式、确定模型训练的epoch和batch size。
28.第二方面，本技术实施例提供了一种基于物联网的楼宇经济预测系统，包括：
29.影响因素数据获取单元：采集与楼宇相关的互联网数据、物联网数据与企业经济数据，并计算滞后的所述物联网数据与所述企业经济数据的相关性，选取相关性最大的滞后数据，将所述互联网数据、所述物联网数据、所述企业经济数据与所述滞后数据预处理后分为第一训练集与第一测试集；
30.arima模型预测单元：利用所述第一训练集训练arima模型并利用所述第一测试集对所述物联网数据进行时间序列预测，获得所述物联网数据中每一影响因素的预测结果作为arima模型的预测结果；
31.事件数据获取单元：获取楼宇的事件数据，根据所述事件数据利用楼宇知识图谱得到楼宇的事件嵌入，将所述arima模型的预测结果与所述事件嵌入组成的多通道链接向量作为第二测试集；
32.lstm模型预测单元：将所述第一训练集与所述事件嵌入组成的多通道链接向量以及当前所在时间作为第二训练集，基于区块链和联邦学习根据所述第二训练集对lstm模型进行训练，获得企业经济预测模型，利用所述企业经济预测模型根据所述第二测试集对楼宇未来的经济进行预测。
33.与现有技术相比，本发明的优点和积极效果在于：
34.1、本发明提供的一种基于物联网的楼宇经济预测方法，将楼宇运行中的互联网数据与物联网数据作为影响经济发展的因素加入到模型中，序列的时间序列预测采用传统时间序列分析模型中效果较好的arima模型进行预测，非线性部分采用长期序列预测效果较好的lstm模型进行预测。本发明利用多样化的数据信息，结合了两种模型的优点，实现了对企业经济发展更准确的预测。
35.2、通过知识图谱对楼宇发生的突发事件进行建模，从而提高对于预测经济突变的敏感性，另外通过这种知识驱动的方式能够将可解释的知识编码到深度预测模型中，使得预测结果成为可解释的。
36.3、通过采用横向联邦学习方法，基于多方本地企业经济数据联合训练模型，从而保证各企业经济数据的隐私安全性；由于联邦学习需要一个聚合服务器，本发明利用区块链代替聚合服务器，避免了聚合服务器容易发生故障导致单点故障的问题。
附图说明
37.图1为本发明提供的一种基于物联网的楼宇经济预测方法的步骤示意图；
38.图2为本发明提供的基于图1中步骤s2的流程示意图；
39.图3为本发明提供的基于图1中步骤s3的流程示意图；
40.图4为本发明提供的基于图1中步骤s4的流程示意图；
41.图5为本发明提供的基于物联网数据的arima-lstm模型预测楼宇经济流程示意图；
42.图6为本发明提供的企业事件图谱三元组链接图；
43.图7为本发明提供的区块链和联邦学习训练流程图；
44.图8为本发明提供的一个月内企业到访车辆总数的acf-pacf图；
45.图9为本发明提供的企业月用电总量的acf-pacf图；
46.图10为本发明提供的企业月平均活跃人员数的acf-pacf图；
47.图11为本发明提供的基于物联网数据的arima-lstm模型预测楼宇经济结果示意图；
48.图12为本发明提供的一种基于物联网的楼宇经济预测系统的框架图。
具体实施方式
49.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
50.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
51.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
52.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
53.下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、
或者结构上的等效变换或替代，均属于本发明的保护范围之内。
54.在详细阐述本发明各个实施例之前，对本发明的核心发明思想予以概述，并通过下述若干实施例予以详细阐述。
55.本发明提出一种基于物联网的楼宇经济预测方法与系统，采集楼宇的互联网数据、物联网数据、经济发展数据以及楼宇相关的事件，并利用知识图谱得到事件嵌入，结合arima模型与lstm模型通过区块链和联邦学习方法基于多方数据训练模型，实现了对企业经济发展更准确的预测。
56.实施例一：
57.图1为本发明提供的一种基于物联网的楼宇经济预测方法的步骤示意图。如图1所示，本实施例揭示了一种基于物联网的楼宇经济预测方法(以下简称“方法”)的具体实施方式。
58.具体而言，本实施例所揭示的方法主要包括以下步骤：
59.步骤s1：采集与楼宇相关的互联网数据、物联网数据与企业经济数据，并计算滞后的所述物联网数据与所述企业经济数据的相关性，选取相关性最大的滞后数据，将所述互联网数据、所述物联网数据、所述企业经济数据与所述滞后数据预处理后分为第一训练集与第一测试集；
60.具体而言，所述互联网数据包括但不限于：楼宇的营业收入、楼宇的新闻舆情信息和利好信息；所述物联网数据包括但不限于：停车场车辆出入数据、企业用电量数据和企业门禁人员信息数据。将所述互联网数据、所述物联网数据、所述企业经济数据与所述滞后数据通过利用3sigma原则去除异常点，并使用多重插补法补充缺失值进行预处理。
61.步骤s2：利用所述第一训练集训练arima模型并利用所述第一测试集对所述物联网数据进行时间序列预测，获得所述物联网数据中每一影响因素的预测结果作为arima模型的预测结果；
62.如图2所示，其中，步骤s2具体包括以下内容：
63.步骤s21：建立所述arima模型，基于物联网数据中每一影响因素数据根据aic准则对所述arima模型进行验证并获得与所述每一影响因素数据对应的最优参数，得到分别与每一影响因素数据对应的最优arima模型；
64.具体而言，所述arima模型记为arima(p,d,q)，其中p为自回归项数，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
65.步骤s22：通过所述第一训练集训练所述最优arima模型，并利用所述第一测试集通过所述最优arima模型分别对每一影响因素数据进行预测，获得与每一影响因素数据对应的所述arima模型的预测结果。
66.步骤s3：获取楼宇的事件数据，根据所述事件数据利用楼宇知识图谱得到楼宇的事件嵌入，将所述arima模型的预测结果与所述事件嵌入组成的多通道链接向量作为第二测试集；
67.如图3所示，其中，步骤s3具体包括以下内容：
68.步骤s31：获取所述楼宇的事件数据，并从所述事件数据中提取事件元组；
69.具体而言，从事件信息中提取出结构化的事件元组(s,p,o)，其中s代表的事件发生者，p代表发生的动作，o代表事件执行到的目标。
70.步骤s32：通过将所述事件元组链接到所述楼宇知识图谱得到事件子图，对所述事件子图进行嵌入处理，得到所述楼宇的事件嵌入。
71.步骤s4：将所述第一训练集与所述事件嵌入组成的多通道链接向量以及当前所在时间作为第二训练集，基于区块链和联邦学习根据所述第二训练集对lstm模型进行训练，获得企业经济预测模型，利用所述企业经济预测模型根据所述第二测试集对楼宇未来的经济进行预测。
72.如图4所示，其中，步骤s4具体包括以下内容：
73.步骤s41：将所述第二训练集与所述第二测试集进行归一化处理；
74.步骤s42：初始化所述lstm模型的参数；
75.具体而言，步骤s42包括：确定所述lstm模型的激活函数、确定接收所述lstm模型输出的完全连接人工神经网络、确定每一层网络节点的舍弃率、确定误差的计算方式、确定权重参数的迭代更新方式、确定模型训练的epoch和batch size。
76.步骤s43：通过利用归一化后的所述第二训练集对所述lstm模型进行训练获得所述企业经济预测模型，并根据归一化后的所述第二测试集得到所述企业经济预测模型的预测结果。
77.具体而言，步骤s43包括：利用归一化后的所述第二训练集训练本地lstm模型，将训练后的本地lstm模型参数通过智能合约上传至区块链；通过所述智能合约监听并聚合所述本地lstm模型参数，获得全局模型参数并存储在所述区块链中；根据所述全局模型参数判断全局模型是否收敛，若未收敛，则从所述区块链将所述全局模型参数发送至各参与方更新所述本地lstm模型参数，继续迭代训练，直到所述全局模型收敛,将收敛的所述全局模型作为所述企业经济预测模型。
78.步骤s4还包括：通过将所述企业经济预测模型的预测结果与企业经济数据的真实值进行比较，对所述企业经济预测模型的预测结果进行准确度计算。
79.本实施例提供一种基于物联网的楼宇经济预测方法，结合楼宇物联网运行数据和经济发展数据，采用知识驱动与深度学习相结合的方法对楼宇经济进行预测。将楼宇运行中产生的物联网数据作为影响经济发展的因素加入到模型中，序列的纵向预测采用传统时间序列分析模型中效果较好的arima模型进行预测，将楼宇相关的事件用于构造知识图谱结构数据，并进行嵌入处理得到嵌入事件，从而对楼宇经济的预测添加知识驱动，非线性部分采用长期序列预测效果较好的lstm模型进行预测，通过采用横向联邦学习方法，基于多方本地企业经济数据联合训练模型，从而保证各企业经济数据的隐私安全性，由于联邦学习需要一个聚合服务器，易存在聚合服务器发生故障导致单点故障的问题，而区块链具有去中心化的特性，因此，本发明将联邦学习与区块链结合，利用区块链代替聚合服务器。该模型可以结合两种模型的优点，实现了对企业经济发展更准确的预测。
80.以下，请参照图5，图5为本发明提供的基于物联网数据的arima-lstm模型预测楼宇经济流程示意图，结合图5，具体说明本方法的应用流程如下：
81.采集某楼宇发展相关的互联网数据：包括楼宇的营业收入、楼宇的新闻舆情信息、利好信息；
82.采集某楼宇发展相关的物联网数据：包括停车场车辆出入数据、企业用电量数据和企业门禁人员信息数据；
83.以上数据采集时间间隔为一个月，将物联网数据处理为：一个月内企业到访车辆总数、企业月用电总量和企业月平均活跃人员数。
84.考虑到楼宇经济数据的滞后性，将三种物联网数据分别计算滞后一个月、滞后两个月、滞后三个月的数据与企业经济数据的相关性，选取预测效果最佳的预测数据。
85.将以上互联网数据、物联网数据、相关性最大的滞后数据以及当前所在月份作为lstm模型的训练集输入；
86.用arima模型对每一类数据进行时间序列预测，预测结果作为lstm模型的输入，对楼宇未来的经济进行预测。
87.从楼宇的事件数据中提取事件元组，通过链接楼宇知识图谱得到事件子图，对知识图进行嵌入处理，从而得到楼宇的事件嵌入。将事件图谱得到的事件嵌入与arima模型得到的每一类的预测数据通过多通道链接的方法，将预测结果与事件嵌入作为预测模型的输入，对楼宇未来的经济进行预测。
88.其中，用arima模型进行预测的过程如下：
89.1)数据处理：将每一列数据利用3sigma原则去除异常点，使用多重插补法补充缺失值。将数据分为训练集和测试集。
90.2)根据原序列是否平稳以及回归部分的不同建立arima模型，记为arima(p,d,q)，其中p为自回归项数，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
91.3)用aic准则对建立的arima模型进行验证并寻找每一列时间序列数据最适合模型的参数。
92.4)将每一列时间序列数据参数分别根据最优arima模型训练并预测未来一年的数据，得到每一个影响因素的预测结果。
93.知识图谱得到楼宇的事件嵌入过程如下：
94.1)获取楼宇的事件文字信息；
95.2)从事件信息中提取到结构化的事件元组(s,p,o)，其中s代表的事件发生者，p代表发生的动作，o代表事件执行到的目标。
96.3)将得到的事件元组链接到知识图(kg)中，得到事件在知识图谱中的事件子图；
97.4)采用transe方法对事件子图进行嵌入处理，得到事件嵌入；
98.将事件嵌入与原始历史数据组成多通道链接向量，用于lstm模型的训练，将arima得到的预测结果与事件嵌入组成的多通道链接向量用于lstm模型的预测，预测楼宇未来一年的经济，过程如下：
99.1)原始数据转化：将影响因素数据全部归一化，创立新的数据集。
100.2)网络模型结构的确定和调整：初始化lstm参数，包括确定lstm模块的激活函数、确定接收lstm输出的完全连接人工神经网络、确定每一层网络节点的舍弃率防止过度拟合、确定误差的计算方式、确定权重参数的迭代更新方式、确定模型训练的epoch和batch size。
101.3)模型训练和结果预测：将事件嵌入与原始数据作为训练集，将arima预测的结果作为测试集，通过对预测的这一年的企业经济数据真实值进行比较，对模型的预测结果进行准确度计算。
102.基于区块链和联邦学习的模型训练过程如下：
103.1)各参与方在区块链网络进行注册并生成各参与方节点；
104.2)各参与方利用本地数据训练企业经济预测模型，将训练后的本地模型参数通过智能合约上传至区块链；
105.3)在区块链设置自动监听本地模型上传和聚合的智能合约，当监听到所有参与方的本地模型参数上传时，基于加权平均法聚合所有本地模型参数获得全局模型参数并通过智能合约存储在区块链；
106.4)判断全局模型是否收敛，若未收敛，则从区块链将全局模型参数发送给各参与方更新本地模型继续迭代训练，直到全局模型收敛；
107.5)将收敛的全局模型作为最终的企业经济预测模型。
108.以下，结合具体实施例进一步详细说明本发明提出的基于物联网的楼宇经济预测方法。
109.通过结合楼宇物联网运行数据和经济发展数据对楼宇经济进行预测，将楼宇运行中产生的物联网数据作为影响经济发展的因素加入到模型中，具体包括：
110.采集某楼宇发展相关的互联网数据：包括楼宇的营业收入、楼宇的新闻舆情信息、利好信息；
111.采集某楼宇发展相关的物联网数据：包括停车场车辆出入数据、企业用电量数据和企业门禁人员信息数据；
112.以上数据采集时间间隔为一个月，将物联网数据处理为：一个月内企业到访车辆总数、企业月用电总量和企业月平均活跃人员数。
113.考虑到楼宇经济数据的滞后性，将三种物联网数据分别计算滞后一个月、滞后两个月、滞后三个月的数据与企业经济预测的相关性，选取预测效果最佳的预测数据。利用excel的correl函数进行相关性分析得到的结果如表1所示。
114.表1滞后时间与三种物联网数据的相关性
[0115] 停车相关性人员数相关性电量相关性原始数据0.618273220.1923500940.383395滞后一月0.9115818030.1929320.712994滞后两月0.4240935320.168087650.032653滞后三月0.1510690580.138717899-0.24489
[0116]
由上表可知，滞后一月的停车相关性、人员数相关性、电量相关性都是最高的，因此选择滞后一月的数据加入到训练数据影响因素中。
[0117]
将以上互联网数据、物联网数据、相关性最大的滞后数据以及当前月份数据作为lstm模型的训练集输入；
[0118]
序列的纵向预测采用传统时间序列分析模型中效果较好的arima模型进行预测，用arima模型对每一类数据进行时间序列预测，预测结果作为lstm模型的输入，对楼宇未来的经济进行预测。
[0119]
其中，用arima模型进行预测的过程如下：
[0120]
1)数据处理：首先，从相关部门收集企业相关数据从2013年1月到2020年12月共97个月的数据，整理可能有关联的物联网数据、互联网数据和企业经济数据，并对数据进行预处理，将每一列数据利用3sigma原则去除异常点，使用多重插补法补充缺失值。将数据分为
训练集和测试集，其中2013年1月到2019年12月的数据作为训练集，2020年1月到2020年12月的数据为测试集。
[0121]
2)以停车场数据为例，根据原序列是否平稳以及回归部分的不同建立arima模型，记为arima(p,d,q)，其中p为自回归项数，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。原序列的acf图和pacf图如图8、图9、图10所示，图中没有表现出截尾的状态，说明序列不平稳，需要进行差分。差分一次后序列平稳，确定参数d＝1。
[0122]
3)用aic准则对建立的arima模型进行验证并寻找最适合模型的参数。以停车场数据为例，停车场数据时间序列的规律周期为12个月，确定参数q＝12，根据aic结果，选取令aic最小的p值，确定参数p＝0。用同样的方法确定其他时间序列数据最适合模型的参数。
[0123]
4)根据停车场数据最优arima模型arima(0,1,12)，将停车场数据时间序列数据参数训练arima模型并预测未来一年的数据，得到停车场数据的预测结果。
[0124]
5)用同样的方法对其他的时间序列数据进行预测，得到各个影响因素未来12个月的预测结果。
[0125]
知识图谱得到楼宇的事件嵌入过程如下：
[0126]
1)获取楼宇的事件文字信息；
[0127]
2)首先，从相关部门收集楼宇近些年的相关经营事件数据，比如企业经营异常，招投标与投资，企业招聘信息等等，提取主干内容，形成一条条的事件信息。
[0128]
3)从事件信息中提取到结构化的事件元组(s,p,o)，其中s代表的事件发生者，p代表发生的动作，o代表事件执行到的目标。
[0129]
从每条事件信息的内容中抽取结构化的事件三元组，比如从多条事件中得到“锂电池加工工艺得到了提升”，“yy资本注资了xx企业”，“yy股票上涨了近5％”这就得到(锂电池，提升，工艺)、(yy资本，注资，xx企业)、(yy股票，上涨，5％)的事件三元组信息。
[0130]
4)将得到的事件元组链接到知识图(kg)中，得到事件在知识图谱中的事件子图，如图6所示；
[0131]
将事件元组通过实体链接的方式链接到知识图中，得到事件在知识图谱中的事件子图，由于事件元组中的主语s、谓词p和对象o在kg中可能并不总是具有链接。此外，单个事件元组中的信息可能是稀疏的，缺乏多样性。因此，在这里通过一种利用近邻信息的方式来丰富子图，从而将离散事件元组相互关联。
[0132]
5)得到事件元组与知识图三元组后，采用transe方法对事件子图进行训练，得到知识事件的嵌入；事件特征被参数化处理至不同通道，即v1表示kg的链接通道，v2表示kg的上下文通道，v3表示词向量通道，通过这三个通道的链接得到最后的事件嵌入v＝[v1v2v3]。
[0133]
非线性部分采用长期序列预测效果较好的lstm模型进行预测，将事件嵌入与原始历史数据组成多通道链接向量，用于lstm模型的训练，将arima得到的预测结果与事件嵌入组成的多通道链接向量用于lstm模型的预测，预测楼宇未来的经济趋势，过程如下：
[0134]
1)原始数据转化：将训练集、预测结果和企业经济数据全部归一化，创立新的数据集。
[0135]
2)网络模型结构的确定和调整：使用python的keras库，初始化lstm参数，lstm模块的激活函数用tanh、接收lstm输出的完全连接人工神经网络设为linear、每一层网络节
点的舍弃率设定为0.2、使用均方误差、权重参数的迭代更新方式为适用于rnn的rmsprop算法、模型训练的epoch间隔设为100和batch size设为500。
[0136]
3)模型训练：如图7所示，设置3个本地参与方和一个区块链网络，每个参与方的2013年1月到2019年12月的数据与事件嵌入组成多通道链接向量作为训练集，结合arima预测的2020年1月到12月的数据与事件嵌入组成的多通道链接向量作为各参与方本地lstm模型的输入，将各参与方2020年1月到12月的原始数据作为测试集，首先，每个参与方利用本地数据训练本地模型50轮，然后各参与方将本地模型参数通过各区块链节点调用智能合约上传至区块链，区块链中的智能合约监听3个参与方的本地模型参数是否上传，在所有参与方都上传后通过加权平均法聚合3个本地模型参数以获得全局模型参数，并发送给各参与方进行模型验证，若模型在各参与方的测试集收敛，则结束模型训练，否则，进行下一轮全局模型的训练，重复上述训练过程。
[0137]
4)结果预测：预测结果如图11所示。对模型的预测结果进行准确度计算，最终均方误差mse为1468.65。
[0138]
本实施例提供一种基于物联网的楼宇经济预测方法，结合楼宇物联网运行数据和经济发展数据对楼宇经济进行预测。将楼宇运行中产生的物联网数据作为影响经济发展的因素加入到模型中，通过知识图谱对楼宇发生的突发事件进行建模，从而提高对于预测经济突变的敏感性，另外通过这种知识驱动的方式能够将可解释的知识编码到深度预测模型中，使得预测结果成为可解释的。序列的时间序列预测采用传统时间序列分析模型中效果较好的arima模型进行预测，非线性部分采用长期序列预测效果较好的lstm模型进行预测。另外，在满足数据隐私安全的条件下，通过区块链和联邦学习方法基于多方企业经济数据训练模型，该模型可以结合两种模型的优点，实现了对企业经济发展更准确的预测。
[0139]
实施例二：
[0140]
结合实施例一所揭示的一种基于物联网的楼宇经济预测方法，本实施例揭示了一种基于物联网的楼宇经济预测系统(以下简称“系统”)的具体实施示例。
[0141]
参照图12所示，所述系统包括：
[0142]
影响因素数据获取单元1：采集与楼宇相关的互联网数据、物联网数据与企业经济数据，并计算滞后的所述物联网数据与所述企业经济数据的相关性，选取相关性最大的滞后数据，将所述互联网数据、所述物联网数据、所述企业经济数据与所述滞后数据预处理后分为第一训练集与第一测试集；
[0143]
arima模型预测单元2：利用所述第一训练集训练arima模型并利用所述第一测试集对所述物联网数据进行时间序列预测，获得所述物联网数据中每一影响因素的预测结果作为arima模型的预测结果；
[0144]
事件数据获取单元3：获取楼宇的事件数据，根据所述事件数据利用楼宇知识图谱得到楼宇的事件嵌入，将所述arima模型的预测结果与所述事件嵌入组成的多通道链接向量作为第二测试集；
[0145]
lstm模型预测单元4：将所述第一训练集与所述事件嵌入组成的多通道链接向量以及当前所在时间作为第二训练集，基于区块链和联邦学习根据所述第二训练集对lstm模型进行训练，获得企业经济预测模型，利用所述企业经济预测模型根据所述第二测试集对楼宇未来的经济进行预测。
[0146]
本实施例所揭示的一种基于物联网的楼宇经济预测系统与实施例一所揭示的一种基于物联网的楼宇经济预测方法中其余相同部分的技术方案，请参照实施例一所述，在此不再赘述。
[0147]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0148]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。