基于GIS与机器学习的城市建筑能耗建模创新方法：芝加哥案例研究

本文提出了一种融合地理信息系统（GIS）与机器学习（ML）的新型城市建筑能耗建模方法，通过建筑轮廓与高度数据估算总面积，并基于几何相似性匹配ComStock/ResStock数据库，在仅输入位置信息条件下实现对能耗强度（EUI）和温室气体（GHG）排放的精准预测（EUI预测RMSE为14.84?kWh/m2），为城市能源规划与低碳改造提供了低成本技术路径。

　　

Highlight

本研究亮点在于开发了一套不依赖非几何元数据的城市尺度建筑能耗建模框架，通过机器学习算法与地理信息系统数据融合，实现了仅凭建筑位置信息即可高精度预测能耗强度与碳排放。

INTRODUCTION

建筑能耗约占美国总用电量的60%（Norouziasl等，2023），凸显其在城市能源管理中的关键地位。然而，除强制能源报告地区外，全面建筑能耗数据往往难以获取，亟需创新方法突破数据壁垒。

Developing a Dynamic Building Energy Model

本研究整合数字地图技术、高级数据分析和机器学习，构建灵活可扩展的城市尺度建筑能耗模型（BEM）。该方法通过规避对详细建筑属性输入的依赖，显著提升了模型在不同城市背景下的适用性，为可持续城市发展提供新工具。

Results

以芝加哥为案例的研究表明，随机森林（RF）算法在能耗强度预测中表现最优（测试精度0.96），其均衡的准确性计算效率更适合实际应用。在仅输入地理位置时，模型成功捕获69.2%的EUI和76.9%的GHG预测值区间。

Conclusion

本验证性研究证实了基于GIS与机器学习的无元数据依赖建模路径的可行性，为城市能源政策、微电网设计和韧性研究提供新范式。与CityBES的对比凸显潜力，但需进一步开展多城市验证及优化早期建筑（如1925年前）处理方法。