點擊上方“藍字”關注我們，成為幸福的人~

這是一個大街小巷熱議人工智能的時代~

人工智能猶如上世紀九十年代的互聯網，以驚濤之勢席卷大江南北、帶動著產業革命。

作為智慧建筑運維領域的專業服務商，有志于“用數字智能服務每個建筑，創造可持續的美好生活”，在智慧之光的感召下，博銳尚格在人工智能之路上苦苦探索。

深知于智慧之路上前行，不僅需要一往無前的勇氣，還需要篤定、冷靜，同時這一前探過程，絕不應該孤獨的求索，博銳尚格CTO沈啟博士以”AI天天見”系列文章與業界共同分享討論AI技術在智能建筑運維領域的應用之道。?

01理念解析：決策樹算法

決策樹是一個利用樹狀的圖形結構來為已知的需求提供相應決策方案的工具。

ID3算法是生成決策樹的一種常用算法，通過計算混合物體依據某個判斷條件進行分類后的信息增益，選擇其中信息增益最大的那個作為本次分類的判斷條件。

信息增益是以某個判斷條件對物體進行劃分前后的熵的差值。熵可以表示物體之間混合的混亂程度，熵越大，對物體進行分類的不確定性就越大。因此可以使用劃分前后熵的差值來衡量使用當前判斷條件對于混合物體劃分效果的好壞。劃分前混合物體的熵是一定的，可以用entroy(前)表示，使用某個判斷條件劃分混合物體，計算劃分后的剩余物體的熵 entroy(后)，從而得到：

信息增益 =? entroy(前) -? entroy(后)。

信息增益越大，代表使用當前的分類條件，可以使系統的熵越小，也就是不確定性越小，從而使接下來分類變得更容易。因此，每次選擇分類條件的依據就是判斷以當前分類條件分類后，信息增益是否是最大的。如果是，那么它就是當前最優的判斷條件。

圖一LSTM結構示意圖

02博銳尚格探索故障排查流程優化

博銳尚格深入探索AI應用之道，利用決策樹算法對建筑設備設施故障的排查流程進行優化。

以建筑機電系統的故障排查為例。建筑中機電系統的報警和故障不一定是一一對應的，一個報警可能會對應多種故障，工作人員需要進行多步操作來精確判斷出現的是哪一種故障。同時在實際現場各種故障發生的概率是不平均的，而不同故障所對應該的的排查操作所花費的時間、人力、材料和專項檢測等成本也各有不同。

綜上所述，在排查故障的過程中，如何制定執行操作的先后次序，能夠即快速準確定位問題所在，又能有效控制檢測的綜合成本，是一個在物業運維工作中普遍存在、又容易被人忽視的問題。

試舉冷站能源異常為例，設定冷站能源異常對應的具體原因有32種，相應的有38種檢測手段，每種檢測手段有確定的診斷效用和檢測綜合成本。如果設計兩種故障排查策略，一種平均綜合成本最低，對應的故障排查決策樹如圖8所示；另一種平均檢查步驟最少，其對應的故障排查決策樹如圖9所示(圖中方形代表檢測手段編號，圓形代表確定的原因編號)。經計算分析可知，

綜合成本最低決策樹的綜合成本指數為1034。相較而言，步數最少的決策樹，綜合成本比它高34%；如果隨便制定次序排查，綜合成本比最優的高5倍以上。

平均檢查步驟最少決策樹的平均步數為4.2步，即平均做4.2次檢查就能找出具體故障原因。

比較兩個決策樹系統，成本最低的決策樹平均要執行7.6步；隨機排查平均要執行17.5步。

圖一.成本最優生成決策樹實例

圖二. 步數最優生成決策樹實例

03應用成效簡化設備設施故障排查步驟

基于決策樹算法的建筑設備設施故障的排查流程已經在博銳尚格設備設施AIOT增強管理解決方案中得到應用。

設備設施AIOT增強管理解決方案是向建筑運維管理組織，提供覆蓋完整工作的數字化轉型方案，利用AIOT 技術幫助客戶轉型成為信息在線、執行在線、經驗在線、人工智能決策輔助的先進管理組織，實現優化人力資源結構、減少人員變動風險和培決策樹算法訓成本、提高建筑運維工作可控性、消除管理盲區、避免壞點管理不當造成的財產損失等目的。

實踐顯示，該項算法在設備設施AIOT增強管理解決方案的落地應用，大大減少了故障檢查工作的排查步驟，故障處理難度不斷降低，保證了設備設施系統的正常運轉和長效運行。

04結語

決策樹算法的探索與落地應用，有效的識別了智能運維的發展方向，解決了客戶深層問題?！芭憧蛻暨^日子”的道路上，博銳尚格沿“用數字智能服務每個建筑，創造可持續的美好生活”方向，又邁出堅實一步。博銳尚格也期望能與更多有識之士一起，能夠探索更多的AI應用之道，推動行業不斷進步~

博銳尚格

建筑運維領域數字智能專業服務商

服務于建筑運維管理組織

助力客戶數字化轉型

釋放組織能量

創造持續價值

總結

以上是生活随笔為你收集整理的决策树 prepruning_智能建筑运维前探 AI天天见之五：决策树算法应用探索的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。