一种酒店建筑用水量的预测方法

1.本发明涉及酒店用水技术领域，具体涉及一种酒店建筑用水量的预测方法。


背景技术：

2.现阶段，在各个用水领域中，建筑用水量占很大比例，在我国水资源紧缺的背景下，了解并掌握建筑用水需求是水资源高效利用和节水管理工作的重点。其中，酒店建筑是公共建筑的重要组成部分，现今酒店的功能已从住宿扩展到餐饮、娱乐和会议等，其用水结构逐渐趋于复杂化，用水量随之显著提升。但用水量是建筑给排水系统设计的核心基础，因此，计算出一个准确合理的用水量关乎整个设计的科学性。按照《建筑给水排水设计标准》gb 50015-2019的规定，建筑总用水量通过用水定额和用水单位数计算。然而，酒店用水结构复杂、用水需求多样化，采用上述计算方法存在以下问题：一是标准给出的用水定额是一个较大的范围，设计人员凭工作经验选取某一数值计算，存在明显的主观性；二是上述标准中的用水定额为根据传统酒店制定，传统酒店功能单一，已不符合现阶段公共建筑的用水需求；三是酒店人口流动频繁，实际的用水单位数与估算值存在较大差距；四是在实际使用过程中，酒店用水人群不需要承担水费，其节水意识往往较低，从而进一步增大了实际用水量与估算值的差距。上述问题将严重影响酒店后续的设计工作，如，设备选型、贮水池(箱)设计等，会存在与实际运行情况不匹配等问题。
3.现有技术中，kontakosta等人基于加权稳健多元回归模型，得出建筑人数、租客比例、建筑面积、家庭收入及建筑能耗等会显著影响美国纽约市住宅建筑的用水量；dias等人利用多元非线性回归分析，确定了显著影响巴西若因维利市住宅建筑用水量的因素有建筑人数、套房数、建筑价值、污水处理系统及用水计量方式等，并建立了用水量预测模型。
4.但上述建筑用水量影响因素及预测模型均集中于住宅建筑，其用水结构和影响因素与公共建筑存在实质性差异，从而无法适用于公共建筑的设计研究。


技术实现要素：

5.本发明的目的在于提供一种酒店建筑用水量的预测方法，为公共建筑供用水系统发展提供研究方向，为相关管理部门制定节水方案提供理论依据；帮助设计人员消除主观性和不确定性，提高设计的科学性和合理性；还可用于评估公共建筑的节水潜力。
6.为了实现上述目的，本发明采用的技术方案如下：
7.一种酒店建筑用水量的预测方法，包括以下步骤：
8.s1、选取酒店样本，统计酒店样本的用水量、用水人数、建筑规模、建筑内水系统、建筑节水措施和其他相关信息；
9.s2、依据统计的数据情况，以酒店的用水量为因变量，其余统计内容为自变量，并对因变量数据进行预处理；
10.s3、对因变量与自变量进行相关性分析，确定影响酒店建筑用水量的因素；
11.s4、依据相关性分析结果，选择与因变量相关的自变量，采用稳健回归法，建立酒
店建筑用水量预测模型；
12.s5、选取未用于建模的样本，验证酒店建筑用水量预测模型的预测能力，并确定其预测区间。
13.优选的，所述s1中，选取的酒店样本包括五星级酒店、四星级酒店、三星级酒店和三星级以下的酒店。
14.优选的，所述s1中，用水量的统计为逐月用水量或平均月用水量；用水人数的统计内容包括床位数、入住率、客人数和员工数；建筑规模的统计内容包括建筑年份、酒店星级、建筑面积、建筑层数、是否设置绿化、是否提供餐饮服务和是否提供会议服务；建筑内水系统设计的统计内容包括供水方式、热水系统、空调系统、大规模用水情况和浴缸设置情况；建筑节水措施的统计内容包括节水宣传和非传统水源利用；其他相关信息包括地理位置、洗衣方式和用水计量详细程度。
15.优选的，所述s2中，因变量为酒店的平均日用水量，对因变量的预处理为剔除各个样本月用水量数据集中的离群值和不合理数值，再求其平均日用水量；其中，数据中的离群值采用箱线图来确定；
16.自变量包括数值变量和名义变量，对于名义变量，按照统计情况进行赋值。
17.其中，离群值(outlier)，也称异常值，是指数据中与其他数值差异较大的数值。
18.优选的，所述s3中，对因变量与自变量进行相关性分析时选择的相关系数为斯皮尔曼相关系数，除计算相关系数外，还需通过假设检验判断其相关性是否显著。
19.其中，在实际情况中，相关系数并不能直接用于判断来自总体的样本之间是否具有显著的线性相关性，还需进一步通过假设检验进行判断。原假设h0：两个总体无显著线性相关性，若p《α，拒绝原假设，即两个总体间具有显著线性相关性。
20.优选的，所述s4中，采用的稳健回归法为stata16.0软件中的m估计法，建立的酒店建筑用水量预测模型为酒店平均日用水量预测模型。
21.优选的，所述s4中，采用stata16.0软件中的m估计法，建立酒店建筑用水量预测模型，具体为：采用迭代再加权最小二乘法求取未知参数的m估计量，第一次迭代从最小二乘法估计所得结果开始，先采用huber估计，经历几次迭代后转为双权数估计，直至未知参数稳定在某一次迭代结果上。
22.其中，stata软件由美国计算机资源中心开发，是一款提供数据管理、数据分析、专业图表绘制、矩阵计算及程序设计的整合性软件。stata功能强大、操作简单、且运行速度极快。
23.优选的，采用stata16.0软件中的m估计法，建立酒店建筑用水量预测模型的回归方程表达式为：
24.ln(y)＝1.173+0.003x2+2.100
×
105x8+0.883x
11
+0.748x
15
25.其中，y为酒店平均日用水量，ln(y)表示经对数变换后的平均日用水量，x2为床位数， x8为建筑面积，x
11
为餐饮，x
11
的取值为0或1，x
11
＝0，表示无餐饮服务，x
11
＝1，表示提供餐饮服务，x
15
为空调系统，x
15
的取值为0或1，x
15
＝0，表示单体空调系统，x
15
＝0，表示中央空调系统。
26.其中，筛选自变量时，剔除与相关系数不相符及经t检验不显著的自变量。
27.优选的，所述s5中，验证酒店建筑用水量预测模型的方法为，计算未知酒店的预测
用水量、置信区间及相对误差，并依据相对误差确定预测区间。
28.优选的，酒店建筑用水量预测模型的预测区间为
29.本发明的酒店建筑用水量的预测方法适用于酒店建筑平均日用水量的预测。
30.本发明的有益效果：
31.本发明的酒店建筑用水量的预测方法，基于经调查所获的实际用水量数据和稳健回归法来构建酒店平均日用水量预测模型，在计算酒店建筑用水量时，参考模型预测值，计算出一个合理的用水量，从而为公共建筑供用水系统发展提供了研究方向，为相关管理部门制定节水方案提供了理论依据；帮助了设计人员消除主观性和不确定性，提高了设计的科学性和合理性；同时，还可用于评估公共建筑的节水潜力，为设计酒店建筑给水设计和设备选型提供了可靠的参考。
附图说明
32.图1为箱线图绘制示例图；
33.图2为酒店平均日用水量箱线图；
34.图3为酒店的聚类树状图。
具体实施方式
35.以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，
36.而不是为了限制本发明的保护范围。
37.实施例
38.一种酒店建筑用水量的预测方法，包括以下步骤：
39.s1、以全国范围内随机抽取18栋酒店建筑为研究对象，其中包括五星级酒店、四星级酒店、三星级酒店和三星级以下的酒店，通过实地调查及发放调查问卷的方式，收集各酒店的平均月用水量、用水人数(包括床位数、入住率、客人数、员工数)、建筑规模(包括建筑年份、酒店星级、建筑面积、建筑层数、绿化、餐饮、会议)、建筑内水系统(包括供水方式、热水系统、空调系统、其他大规模用水、浴缸设置)、建筑节水措施(包括节水宣传和非传统水源利用)、地理位置(即为是否处于繁华地段)、洗衣方式(即为有无洗衣房) 和用水计量详细程度的数据，用于建立酒店平均日用水量预测模型；统计各酒店的用水量、用水人数、建筑规模、建筑内水系统、建筑节水措施、地理位置和洗衣方式的数据，如表1 至表3所示，其中，表2和表3中的样本编号1～18与表1中的样本编号1～18的所在地对应相同，其中，用于建模的平均日用水量为收集酒店的平均月用水量除以30.5天得到；
40.s2、依据调研数据的统计情况，以平均日用水量为因变量，用y表示，以7个数值型变量(包括床位数、入住率、客人数、员工数、建筑年份、建筑面积和建筑层数)和14个名义型变量(包括用水计量详细程度、酒店星级、绿化、餐饮、会议、供水方式、热水系统、空调系统、其他大规模用水、浴缸设置、节水宣传、非传统水源利用、地理位置和洗衣方式)为因变量，用xi(i＝1,2,
…
,21)表示；
41.对因变量数据集进行预处理，通过检测因变量，即用水量数据，判断其所属样本是否离群，若离群，将视具体情况考虑是否将该样本剔除，具体为采用箱线图来确定数据中的离群值。箱线图由一组观测数据的四分位数进项绘制，将一组观测数据由大到小排列，均分为四分，位于三个分割点的数依次为下四分位数(q 25％)、中位数(q 50％)和上四分位数(q 75％)，参见图1所示，箱线图的箱体两侧分别为q 25％和q 75％，箱体长度d＝q 75％-q 25％，从箱体上下两侧各引出一条水平线，位于水平线端点以外的值就是离群值。水平线的长度由数据中的最大值(max)、最小值(min)与四分位数确定。上端点的确定方法为：若max》1.5d+q 75％，则上端点值为1.5d+q 75％；若max《1.5d+q 75％，则上端点值为max。下端点的确定亦是如此；
42.在18个酒店中，所有酒店均以月为最小计量单位进行用水量统计，其中有12个酒店提供了半年以上的逐月用水量数据，其余6个酒店仅提供平均月用水量数据。根据调研结果，本实施例中以平均日用水量代表酒店的总用水量计算18个酒店的平均日用水量时，考虑到新冠疫情的影响，剔除了2020年1月至2020年5月的月用水量数据。对于提供逐月用水量的酒店，利用箱线图逐一确定各个样本的离群值并剔除离群值。以处理后的数据计算各个酒店的平均日用水量，并绘制箱线图，结果如图2所示，18个样本中存在2个离群值，经检查，样本1和样本2的数值均无误，且其源自仅有的两个五星级酒店，具有一定代表性，在后续分析中将其保留；
43.s3、在相关性分析之前，利用spss23.0软件对18个酒店进行聚类分析，以便于合理地选出3个样本，用于验证用水量预测模型。以平均日用水量和建筑面积为分类依据，使用欧式距离作为相异性测量，聚类方法为组间连接法，所得树状图如图3所示，以图3 中的线条a为树干，b点表示树干与各枝干的连接点，各枝干连接的叶片(样本)被归类为一组，则18个样本被分为6组。第一组包含4个样本，分别为2个四星级酒店、1个三星级酒店和1个普通酒店；第二组的5个样本均为普通酒店；第三组包含6个样本，分别为2个四星级酒店、2个三星级酒店和2个普通酒店；第四组包含1个四星级酒店；第五、六组各包含1个五星级酒店。由于第四、五、六组仅含1个样本，故从第一、二、三组中各随机抽出1个样本用于模型验证，所选样本为样本5(四星级)、样本7(四星级)及样本15(普通)。如此，在后续的统计分析中，酒店样本数量由18个减少至15个；
44.采用spss23.0软件对15个酒店样本的因变量与自变量的相关性进行分析，计算因变量和自变量之间的斯皮尔曼相关系数，并通过假设检验判断，确定显著影响酒店平均日用水量的因素。原假设h0：两个总体无显著线性相关性，若p《α，拒绝原假设，即两个总体间具有显著线性相关性；计算得出的因变量与各自变量的斯皮尔曼相关系数如表4所示，其中，由于未收集到餐饮用水量、绿化用水量和绿化面积的完整数据，故未对其做相关性分析；
45.s4、依据相关性分析结果，选择与平均日用水量(y)显著相关的15个自变量(xi)，利用stata16.0软件中的m估计法及15个酒店的观测数据(即表1至表3中的数据)，建立酒店平均日用水量预测模型；其中，因入住率、客人数及员工数的实际数据在建筑给水系统设计时为未知数，故在构建模型时，去除上述三个自变量，得到酒店模型的回归方程和回归系数；
46.得到的回归方程表达式为：
47.ln(y)＝1.173+0.003x2+2.100
×
105x8+0.883x
11
+0.748x
15
48.其中，y为酒店平均日用水量，ln(y)表示经对数变换后的平均日用水量，x2为床位数， x8为建筑面积，x
11
为餐饮，x
15
为空调系统，其中，x
11
的取值为0或1，x
11
＝0，表示无餐饮服务，x
11
＝1，表示提供餐饮服务，x
15
的取值为0或1，x
15
＝0，表示单体空调系统，x
15
＝0，表示中央空调系统；
49.得到的回归系数，如表5所示。回归方程及回归系数经f检验、t检验后均显著，其相关系数r2为0.970。
50.s5、通过得到的酒店平均日用水量的预测模型回归方程，对三个预留酒店样本进行预测，三个预留酒店样本即样本5(四星级)、样本7(四星级)及样本15(普通)，通过收集的三个预留酒店样本的相关信息来验证平均日用水量预测模型的预测能力，并确定其预测区间，验证结果如表6所示。
51.表1酒店调研数据统计表
[0052][0053][0054]
表2酒店调研数据统计表
[0055][0056]
表3酒店调研数据统计表
[0057]
[0058][0059]
表4酒店相关性分析结果统计表
[0060]
[0061][0062]
注：*表示显著水平为0.05时，显著相关；**表示显著水平为0.01时，显著相关。
[0063]
根据表4中的计算结果分析可知，在21个自变量中，与平均日用水量显著相关的自变量共计15个，包括6个数值型变量和9个名义型变量，其相关系数符号均为正。15个自变量按相关系数由大到小依次排列为：客人数、员工数、建筑面积、床位数/建筑层数、酒店星级、空调系统、会议、浴缸设置、餐饮、用水计量详细程度、供水方式、其他大规模用水、入住率及节水宣传。
[0064]
6个数值型变量均与平均日用水量呈正相关，除入住率外，其余变量与平均日用水量的相关系数高达0.9。酒店的建筑面积和建筑层数决定了建筑规模，建筑规模决定了床位数、能承载的客人数及需要配备的员工数，当用水人数及入住率增大时，酒店平均日用水量随之增多。
[0065]
9个名义型变量的相关系数均为正，其中酒店星级和空调系统与平均日用水量的相关系数达0.8以上。结合表4中的赋值情况进行分析：酒店星级越高，其所具备的功能往往越多，这就使用水点相应增多，平均日用水量增大。酒店提供会议及餐饮服务、提供游泳池及洗浴桑拿服务时会显著增加其平均日用水量。酒店带浴缸客房数越多，其平均日用水量越大。采用中央空调系统及二次加压供水的酒店，其平均用水量大于采用单体空调系统及市政供水的酒店。进行节水宣传的酒店，其平均日用水量大于未进行节水宣传的酒店，除此之外，分用水计量越详细的酒店，其平均日用水量越大，从而反映出酒店规模越大，用水量越大，其用水管理水平越高，越注重节约用水。
[0066]
表5酒店模型的回归系数
[0067][0068]
表6酒店平均日用水量模型验证表
[0069][0070]
从表6中分析可知，对于3个酒店，其实际日均用水量均落入置信区间内，相对误差中位数为19.69％，相对误差平均值为18.25％。从总体来看，相对误差在25％以内，故采用本实施例中的平均日用水量的预测模型预测酒店平均日用水量时，其预测区间为
[0071]
《建筑给水排水设计标准》、《民用建筑节水设计标准》、甘肃省地方标准、江西省地方标准和贵州省地方标准中规定的酒店用水定额这五个标准如表7所示，根据表7中的五个标准分别计算样本5、样本7及样本15的平均日用水量，并与其实际值、模型预测值进行比较，计算结果如表8所示。
[0072]
表7相关标准中酒店平均用水量的计算依据
[0073]
[0074][0075]
表8酒店平均日用水量计算值比较(单位：m 3/d)
[0076][0077]
注：#计算时考虑各酒店的实际入住率；*样本5、样本7、样本15分别采用甘肃省、江西省、贵州省地方标准计算。
[0078]
从表8中可知，三个酒店的实际平均日用水量处于本实施例中的平均日用水量的预测模型的预测区间内，且低于各省地方标准计算值。样本5的平均日用水量处于《建筑给水排水设计标准》及《民用建筑节水设计标准》的计算区间内(以下简称“设计计算区间”)，样本7的平均日用水量高于设计计算区间的上限值，样本15的平均日用水量低于设计计算区间的下限值。若考虑餐饮、会议、绿化、空调及洗衣用水时，设计计算区间将在此基础上增大，样本5及样本7的实际平均日用水量极有可能低于设计计算区间的下限值，但由于缺乏两个酒店的给水系统设计资料，不能计算出包括上述用水量在内的设计计算区间加以比较。
[0079]
与地方标准计算值相比，本实施例中的平均日用水量的预测模型的预测区间更接近实际平均日用水量。对于样本5及样本7，若假设客房及员工用水占总水量的比例为60％，则模型5的预测区间比设计计算区间更接近实际用水量。对于样本15，无论是否考虑空调及洗衣用水量，本实施例中的平均日用水量的预测模型的设计计算区间下限值都大于实际平均日用水量。综上所述，本实施例中的酒店平均日用水量预测模型具有实用价值。
[0080]
对于酒店平均日用水量预测模型的构建，本案发明人还建立了线性回归模型和岭回归模型。依据模型评价指标得知，线性回归模型、岭回归模型对建模数据的拟合优度较好，由于受到离群值的影响，稳健回归模型的拟合误差较大。然而，通过验证，稳健回归模型的预测能力最佳，3个预留样本的真实值与预测值的相对误差在25％以内，从而表明本实施例中建立的酒店平均日用水量稳健回归预测模型的预测准确度最高。
[0081]
本发明的酒店建筑用水量的预测方法，基于经调查所获的实际用水量数据和稳健回归法来构建酒店平均日用水量预测模型，在计算酒店建筑用水量时，参考模型预测值，计算出一个合理的用水量，从而为公共建筑供用水系统发展提供了研究方向，为相关管理部门制定节水方案提供了理论依据；帮助了设计人员消除主观性和不确定性，提高了设计的科学性和合理性；同时，还可用于评估公共建筑的节水潜力，为设计酒店建筑给水设计和设备选型提供了可靠的参考。
[0082]
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。