TRIZ方法用于城市建筑能源优化：GWO-SARIMA-LSTM预测模型

随着全球气候变化的不断发展以及可持续发展目标的推进，城市建筑能源消耗优化和碳排放减少日益成为研究的焦点。传统的能源消耗预测方法往往缺乏准确性和适应性，因为无法充分考虑复杂的能源消耗模式，尤其在处理季节性波动和动态变化方面效果不佳。本研究提出一种混合深度学习模型，将TRIZ创新理论与GWO、SARIMA和LSTM结合，以提高建筑能源消耗预测的准确性。TRIZ在模型设计中发挥关键作用，通过系统性地分析能源消耗优化中的矛盾，提供创新解决方案，以实现能源效率、成本和舒适度之间的有效平衡。GWO用于优化模型参数，以确保在不同条件下模型保持高准确率。SARIMA模型专注于捕捉数据中的季节性趋势，而LSTM模型处理数据的短期和长期依赖关系，进一步提高预测准确性。本研究的主要贡献在于开发一种利用TRIZ和先进深度学习技术优势的稳健模型，提高能源消耗预测的准确性。我们的实验显示，该方法相较于现有模型可显著降低15%的预测误差。这种创新方法不仅增强了城市能源管理，也为优化能源使用和减少碳排放提供了新的框架，为可持续发展做出了贡献。