基于混合机器学习模型（XGB/HGB）与优化算法（SBO/CMA-ES/TOA）的住宅建筑供暖能耗预测研究——以伊朗帕萨巴德市为例

《Next Research》：Evaluating Heating Energy Consumption in Residential Buildings Using Hybrid Machine Learning Models: The Case of Parsabad City

本文推荐：该研究通过整合极端梯度提升（XGB）、直方图梯度提升（HGB）与三种优化算法（SBO/CMA-ES/TOA），构建了高精度供暖能耗预测模型（R2=0.9822，RMSE=0.167），解决了传统方法在非线性气候-建筑参数交互中的局限性，为伊朗帕萨巴德市住宅能源管理提供了创新性解决方案。

　　

Highlight

本研究通过混合机器学习模型与先进优化技术的协同应用，显著提升了寒冷地区住宅建筑供暖能耗的预测精度，为区域性能源管理策略提供了数据驱动的新范式。

Methodology

研究方法整合了机器学习（XGB/HGB）与三种元启发式优化算法（Satin Bowerbird Optimizer/SBO、协方差矩阵自适应进化策略/CMA-ES、霸王龙优化算法/TOA），通过18项输入特征（含气象参数、建筑指标与时间变量）构建预测框架，采用K折交叉验证（KCV）确保模型稳健性。

Case Study and Data Description

以伊朗帕萨巴德市为研究对象（图5），该地区冬季严寒的气候特性为供暖能耗分析提供了理想场景。数据集涵盖建筑物理特性与气象监测数据，通过主成分分析（PCA）等预处理方法优化特征工程。

K-Fold Cross-Validation

采用K折交叉验证（K=5/10）技术，通过循环训练-测试机制降低过拟合风险，模型性能指标（RMSE/MAE/R2）取K次迭代平均值，确保评估结果具有统计学代表性。

Importance of the Results

研究成果显示：XGCM模型（XGB+CMA-ES组合）以R2=0.993和RMSE=0.282的卓越表现超越传统方法（图19），证实优化算法能有效捕捉气候-建筑系统的非线性关联，为智能电网调度提供决策支持。

Conclusions

结论表明：混合模型通过SBO/CMA-ES/TOA算法优化超参数，显著提升XGB/HGB的预测适应性，该框架可扩展至其他气候区建筑能耗预测领域，推动可持续发展目标的实现。