原文链接：

https://www.sciencedirect.com/science/article/pii/S0378778820303017?casa_token=KZn5UHbCCL0AAAAA:TJzq6FoH1KXpoZxlgj8LvfqrVRxGnvwfDqTjdj1CH3dgm8rLHAfqH5P2ce4kTFGa2zxTdzcXdw#f0020

第一作者：戴希磊

通讯作者：刘俊杰

文章摘要：

本研究综述了使用机器学习(ML)模型预测室内人员和开窗行为的研究。对于室内人员的预测预测，室内二氧化碳浓度是一个重要的预测变量。同时之前的研究表明，使用特征工程来创建额外的相关预测变量可以进一步提高模型性能。对于开窗行为的预测，室外温度、室内温度和风速是三个最重要的预测变量，开窗概率通常随着室外温度的升高而增加。在模型选择方面，虽然逻辑回归是最常见的开窗行为预测模型，但它对于“拐点”温度的预测表现不佳。另一个方面，虽然人工神经网络可能比传统ML模型具有更好的预测精度，但它的可迁移性可能不如传统的ML模型。因此建议在选择模型时，对比不同的ML模型的预测精度以选择最适合目标建筑的预测模型。关于ML模型的应用方面，研究表明根据ML模型预测的人员信息优化HVAC系统的控制策略，HVAC系统的能耗平均可降低23%。

研究亮点：

1. 综述了使用机器学习模型预测室内人员和开窗行为的论文

2. 室内外温度是预测开窗行为的重要变量

3. 逻辑回归不能很好地预测开窗行为的“拐点”温度

4. 将人员信息集成到HVAC系统控制可以节能23%

主要成果：

本文献综述的主要目标是 ：(i) 总结之前研究中机器学习模型的输入，以帮助后续研究选择最相关的预测变量； (ii) 比较不同机器学习模型的性能； (iii) 总结室内人员和开窗行为预测研究的主要结果； (iv) 总结这些机器学习模型在智能建筑方面的应用。本综述的结构如图1所示。

图1 本文献综述结构图

图2和图3分别统计了不同机器学习模型用于室内人员和开窗行为预测的使用频次。神经网络（ANN/RNN）和逻辑回归分别是用于人员预测和开窗行为次数最多的模型。关于这两个模型的具体应用效果的总结可见原文的统计表。值得一提的是，尽管逻辑回归经常用于开窗行为预测，但是它无法很好地预测出开窗行为的“拐点”温度。因此对于室外温度跨度大的建筑，使用该模型预测开窗行为需要格外注意。

图2 室内人员预测的模型使用频次图

图3 开窗行为预测的模型使用频次图

图4统计了之前的研究中预测开窗行为使用的输入参数。可以看出室外温度和室内温度是最重要的两个参数。但是需要注意，对于没有空调系统运行的建筑，不建议同时使用室内和室外温度作为模型的输入来预测居民开窗行为。

图4 开窗行为预测模型的输入参数统计

图5统计了使用预测人员信息来优化空调系统所获得的节能率，可以看出使用预测的人员信息可以带来明显的节能收益，平均的节能率为23%。

图5 使用预测的人员信息来优化空调系统所获得的节能率