机器学习(ML)赋能的占用行为建模用于节能与可持续建筑运营:策略、性能评估与未来方向批判性综述

《Applied Research》:Machine Learning-Enabled Occupancy Modelling for Energy-Efficient and Sustainable Building Operations: A Critical Review of Strategies and Future Directions

【字体: 大 中 小 】 时间:2026年09月30日 来源:Applied Research 2.0

编辑推荐:

  占用行为(occupancy behaviour, OB)研究与建筑能耗预测是一个重要主题,而利用实时数据和自适应算法的机器学习(machine learning, ML)已变得更为相关。尽管该领域研究迅速扩展,但迄今开发的每个模型在可扩展性和向多种建筑环境迁

  
占用行为(occupancy behaviour, OB)研究与建筑能耗预测是一个重要主题,而利用实时数据和自适应算法的机器学习(machine learning, ML)已变得更为相关。尽管该领域研究迅速扩展,但迄今开发的每个模型在可扩展性和向多种建筑环境迁移方面仍存在局限,这归因于建模策略、数据输入、感知方法和评估方法的差异。当前综述研究往往局限于占用建模的某一特定方面(算法、传感技术或控制策略),需要一个更全面的综合,将其纳入节能建筑运行更广泛的语境。本综述旨在批判性讨论利用ML技术进行占用行为建模和能耗预测的近期方法,并识别其建模方法、传感器模式、应用情境和评估方法。超过80项同行评审研究被批判性审查,以形成现有建模方法的结构化综合,比较其在不同建筑类型中的应用,并识别方法学进展以及阻碍实际部署的剩余挑战。分析结果表明,存在向非侵入式传感、混合与情境感知建模、可解释与隐私保护人工智能(artificial intelligence, AI)以及日益使用传感器融合以提高预测可靠性的强烈趋势。同时,模型可迁移性缺乏、基准测试不一致、数据异质性以及标准数据集缺乏阻碍了更广泛部署。本综述简要总结现有研究并指出未来研究方向,这些方向将能够构建可扩展、可迁移且符合伦理责任的占用感知能源管理系统,并可成为研究人员、工程师和政策制定者的便捷资源。结果还显示,利用ML的占用建模发展如何支持联合国可持续发展目标(Sustainable Development Goals, SDGs),特别是SDG 7(经济适用的清洁能源)、SDG 11(可持续城市和社区)和SDG 13(气候行动)。
1 引言
建筑能耗和碳排放是全球重要问题,准确预测占用行为(occupancy behaviour, OB)对优化建筑能耗至关重要。人员在建筑中的瞬态活动显著影响供暖、冷却、通风和照明负荷,OB建模因此成为提升能效、实时控制和设计智能响应环境的关键方法。机器学习(machine learning, ML)能够表征复杂人类模式,但仍面临跨建筑泛化、可解释性、输入不确定性、时间不一致和标准性能指标缺乏等挑战。运动传感器、Wi-Fi日志、CO2水平等数据源使训练与验证复杂。既往研究指出人工神经网络(artificial neural network, ANN)、支持向量机(support vector machine, SVM)和高斯回归存在计算效率、可扩展性和数据敏感性局限,ANN迁移性相对传统ML模型仍较差。2014—2024年相关出版物显著增长。既有综述多聚焦感知、行为模拟、占用检测、预测、可持续性或特定建筑情境,缺乏联合考察ML策略、预测任务、传感方法、建筑应用、比较性能、迁移性及节能运行影响的批判性综合。本文基于Scopus数据库2014—2024年文献,以OB和能耗为关键词、ML和建模为主题,进行主题分析,比较建模策略、应用、性能、局限和未来方向。综述贡献包括:结构化综合ML技术及其与能耗关系;比较研究间性能与运行含义;识别泛化、可解释性、可扩展性等研究缺口,并纳入隐私保护、自适应控制和低资源环境等主题。

2 占用行为的ML建模策略
2.1 机器学习技术概述:监督、无监督、深度学习与混合
ML方法选择取决于数据可用性、行为复杂性和应用目标,不存在跨所有建筑环境普遍最优的方法。监督学习在标注占用数据可用时仍有效,例如用于暖通空调(heating, ventilation and air conditioning, HVAC)控制、教育建筑入侵与占用检测,随机森林(random forest, RF)在办公室占用预测中准确率可达91.2%,但依赖标注观测且受输入粒度影响。无监督学习减少标注依赖,可从无人机空间数据、数字行为代理和频谱时序特征推断模式,但更依赖间接或非结构化输入质量,存在标注需求与推断可靠性之间的权衡。深度学习可捕捉序列依赖和高维数据,循环神经网络(recurrent neural network, RNN)用于学术建筑时间占用建模,但计算需求高、可解释性低,过拟合、数据稀疏和泛化差仍存。混合方法整合深度学习与统计模型,如LSTM-ARIMA、建筑信息模型(building information modelling, BIM)与后评估、物联网(Internet of Things, IoT)传感,可提高适应性但增加集成复杂度。总体需在预测能力、数据需求、可解释性、计算成本和实施复杂度之间权衡。

2.2 占用预测中的应用:存在、数量和活动水平
应用包括存在、数量和活动水平预测。存在预测提供占用响应运行的基础信息,决策树用于教育建筑;k近邻(k-nearest neighbours, kNN)、SVM和ANN比较显示,ANN融合数据总体最佳,SVM适合单独使用Wi-Fi数据。数量建模估计占用规模,RF结合城市建筑能耗模型(urban building energy modelling, UBEM)报告77%分类准确率;环境传感与ML利用PIR和CO2估计人数区间和活动强度,人数区间准确率84.5%,K-means活动强度分类达89.3%。活动水平预测识别坐、站、走等行为,无监督部分域适应迁移准确率最高98%;Wi-Fi个性化联邦学习活动强度识别平均准确率98.0%,且无需上传标注本地数据。存在、数量和活动水平代表逐步丰富的占用信息,但其报告性能不能脱离预测目标、数据特征、传感输入和部署情境独立比较,信息粒度与建模需求之间存在实际权衡。

3 性能评估与表征
评估ML占用模型性能对可靠性、迁移性和节能影响重要,需分析评价指标、验证方法和实施结果。综述关联传感输入、ML方法与报告性能,比较存在、数量和活动水平三类任务,而非孤立看待准确率。

3.1 不同建筑类型的案例研究
ML占用模型已应用于住宅、办公、教育、图书馆和商业建筑。住宅中RF、贝叶斯网络、决策树和SVM用于占用和能耗预测,准确率70%—95.96%,RF表现较强;COVID-19后行为变化通过分段聚类体现,XGBoost用于供暖制冷负荷。办公建筑对占用模式和数据可用性更敏感,决策树分析室内环境与工作效率;COVID-19扰动时模型性能降低,R2为0.27—0.56,说明稳定运行假设的局限;代理模型生成占用数据、非摄像头间接估计和专家知识诊断低能效也被探索。教育建筑受课表、学生移动和占用标签可靠性影响,交互学习、协作标注和传感器异常检测重要。图书馆和商业应用结合占用与运行环境数据,如数据融合、自组织映射识别HVAC低效、数据增强、可穿戴和光传感器、窗户操作与日程变异、推断占用预测HVAC。跨建筑类型,性能差异不能仅归因于算法选择;行为、传感和运行目标不同导致域偏移,迁移性和泛化性是部署挑战。

4 挑战、机遇与策略路径
4.1 核心挑战:数据质量、可解释性、传感器不一致与泛化
数据质量是根本挑战,占用模型依赖输入的完整性、一致性和代表性;数据稀缺、类别不平衡和标注成本高增加难度。传感器可靠性受漂移、校准失配和缺失观测影响,良好数据集上的性能未必代表真实鲁棒性。迁移性受数据与传感限制影响,传统监督模型假设训练和测试数据分布可比,跨环境部署时该假设常不成立;域适应和情境感知分类器可缓解,但行为多样性和传感器异质性会加剧不匹配。可解释性存在权衡,复杂ML和深度学习预测难解释;可解释AI有助于理解影响变量和模型决策,但不能解决数据质量差或迁移性差。基准测试因建筑情境、传感配置、数据分辨率、预处理和验证程序差异而难以比较;评价指标任务依赖,包括准确率、F1、MAE、MAPE、RMSE和R2。需公开数据集、透明验证和标准化任务基准。可解释AI、迁移学习、传感器异常校正和行为感知个性化是有前景方向。

4.2 机遇:混合/联邦学习、传感器融合与数字孪生
混合学习结合互补技术,如K-means与多元线性回归用于HVAC负荷预测,占用模式、电器级能耗和不确定性量化整合于可解释框架,注意力LSTM与模型预测控制结合;但混合方法并非普遍优于单一技术,需权衡集成、调参和计算需求。联邦学习支持跨分布式数据学习而无需集中原始占用信息,适合隐私敏感场景;个性化联邦学习用于Wi-Fi活动强度识别,平均准确率98.0%,非独立同分布(non-IID)数据下个性化微调平均提升18.7%,但本地数据分布差异仍存。传感器融合组合互补信号,环境和Wi-Fi融合可提高鲁棒性,但融合不总优于单一环境传感,需评估安装、同步、维护和数据处理要求。数字孪生连接感知、模拟和运行,时序传感器用于ACMV性能预测和异常检测,数字孪生能源预测管理可动态响应变化;但依赖物理建筑与虚拟表示间可靠持续更新,需真实世界验证。

4.3 可持续发展目标(SDG)对齐
ML支持能源效率、气候变化和可持续城市相关可持续发展目标(Sustainable Development Goals, SDGs)。占用预测与数据收集研究显示,基于IoT传感的混合ML模型更准确鲁棒,并增强验证可靠性。五步ML方法构建爱尔兰100万住宅合成数据集,集成模型准确率91%,支持改造规划和城市能源预测,终端用途分离提高预测粒度。数据驱动正能耗建筑(positive energy building, PEB)框架聚焦可再生能源预测、IoT控制和围护结构优化,服务SDG 7。无传感器AI HVAC控制使用ANN在多区购物中心预测逐时占用并动态控制,至少节能10%并改善热舒适,服务SDG 11和SDG 13。总体上,从微观占用模型到宏观城市规划,研究趋势为动态、可解释和可扩展方案,以支持SDG目标。

4.4 可扩展和伦理ML应用的未来方向
可扩展性不仅是计算扩展,也包括跨建筑类型和城市环境保持性能。策略包括与IoT和智能电网整合,实现实时监测、异常检测和需求预测,支持预测性维护;标准化数据收集、OB建模比较和可适配占用档案库,构建通用、隐私保护、可泛化占用档案;利用分布式系统处理大规模能源数据。另一策略是先进数据分析和能源感知ML设计,重视数据预处理和特征工程,节能ML算法减少环境影响,混合物理模型与AI提高动态环境适应性。伦理问题包括算法偏见、公平性和环境影响,需领域特定伦理框架;透明公平决策和隐私保护重要,解释性AI(explainable AI, XAI)增强可解释性和可信度。非侵入式传感和隐私感知建模可行,如Wi-Fi信道状态信息(channel state information, CSI)用于无设备识别,隐藏马尔可夫模型(hidden Markov model, HMM)利用CO2和电耗推断占用。未来优先改善数据可用性和质量,发展可扩展城市模拟工具,探索神经符号AI和量子神经网络等创新AI技术。

5 结论
本综述综合ML用于建筑占用行为和能耗建模的策略、性能和可持续性含义。监督、无监督、深度学习和混合范式用于存在检测、活动识别和人数估计,多模态传感器数据、时间序列特征和自适应算法可实现节能和占用响应环境。综述连接住宅、商业和教育应用,关联SDG 7、SDG 11和SDG 13。隐私保护、数字孪生、联邦学习和迁移学习代表伦理和情境感知智能系统新范式。但仍存在标准数据集和可重复基准缺乏、模型泛化有限、传感器部署不一致和复杂ML可解释性问题,评价指标不统一。未来需标准化数据收集和评价协议,通过开放数据集和基准工具提高可重复性,设计以用户为中心、透明和自适应的ML框架,关注可迁移模型、少监督、占用反馈、公平隐私和XAI,并加强跨学科整合以推动智能零碳建筑和城市发展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号