《Ain Shams Engineering Journal》:Integrating AI models for cost prediction in green housing in diverse climates ? an innovative framework for stakeholder understanding in Pakistan
编辑推荐:
多样的气候条件(从炎热沙漠到高地气候)给预测绿色住房的成本影响带来显著挑战,而准确预测成本对于大幅减少碳排放以缓解气候变化效应至关重要。本研究采用一种创新方法,利用混合人工智能(hybrid AI)模型预测绿色住房成本,并强调在巴基斯坦独特的社会经济与气候背景
多样的气候条件(从炎热沙漠到高地气候)给预测绿色住房的成本影响带来显著挑战,而准确预测成本对于大幅减少碳排放以缓解气候变化效应至关重要。本研究采用一种创新方法,利用混合人工智能(hybrid AI)模型预测绿色住房成本,并强调在巴基斯坦独特的社会经济与气候背景下提升利益相关者认知。研究人员从多个气候区收集数据,聚焦影响绿色住房成本的十八个关键因素。数据集经过严格清洗、预处理与分析,包括密度分布、累积概率与敏感性评估,并将结果可视化以便解读。研究人员开发混合人工智能模型,通过集成支持向量机(SVM)、决策树(Decision Tree)与K近邻(KNN)等算法提升预测精度。机器学习模型经训练、测试,并使用决定系数(R-squared, R2)、均方根误差(RMSE)、平均绝对误差(MAE)与均方误差(MSE)等指标比较。混合模型表现最优,R2达0.99,解释数据集99.99%的方差。此外,Pearson相关系数矩阵显示,认知水平(awareness level, ?0.97)、气候响应设计(climate-responsive design, ?0.86)与材料库存(material inventory, ?0.83)与成本影响呈最强负相关性,而场地面积温度(site area temperature, 0.72)呈最显著正相关。使用659个样本的独立数据集进行外部验证(R2: 0.81)及Taylor图分析(标准差<2.9%,相关系数>0.82)进一步证实所提模型优于现有模型。这些发现提供了一个全面的成本预测框架,协助利益相关者就可持续且具成本效益的绿色住房做出明智决策。
研究背景方面,全球建筑业贡献约30%温室气体排放并消耗高达40%能源,绿色住房因使用环保材料与节能系统被视作减碳关键,但前期成本溢价(可达常规建筑总成本的21%)与利益相关者认知不足、气候适应性差导致推广缓慢。既有成本预测研究多基于单一算法或忽视社会经济与气候耦合背景,巴基斯坦自山地至沙漠的剧烈气候分异使绿色住房成本预测尤为困难。为此,Muhammad Ali等研究人员在《Ain Shams Engineering Journal》发表研究,旨在构建嵌入利益相关者认知、融合多样气候与社会经济变量的混合人工智能框架,以提升绿色住房成本预测精度并辅助决策。
关键技术方法上,研究人员于2023年5月至8月在巴基斯坦五城(Multan、Murree、Karachi、Lahore、Quetta)代表热沙漠、湿润亚热带与高地等K?ppen-Geiger气候区开展田野调查,向612名土木、建筑、机械、HVAC工程师及高校教授发放问卷,回收501份有效响应(每城100份),以Likert 1–5度量18个预测因子(分绿色建筑系统、材料、场地三类)。数据经清洗、缺失值与异常值处理后划分训练/测试/验证集;基模型采用支持向量机(SVM)、决策树(Decision Tree)与K近邻(KNN),通过堆叠集成(stacking ensemble)构建混合模型,元模型加权整合基模型输出;以R2、RMSE、MAE、MSE评估,并以独立659样本与外部Taylor图验证。
研究结果部分,3.1节通过密度图检查数据分布,发现认知水平(LOA)、气候设计(DC)等呈双峰分布,场地温度(SCT)均匀覆盖15–55°C,印证样本跨气候代表性。3.2节统计回归显示截距70.834,LOA负向估计?33.251(p<0.001)为最强降本因子,SCT正向2.5536(p<0.001)为最强增本因子,运营成本和场地温度显著推高成本。3.3节Pearson相关矩阵表明LOA(?0.97)、DC(?0.86)、IM(?0.83)强负向关联成本影响,SCT(0.72)最强正向,证实认知提升与气候响应设计是降本核心。3.4节模型性能比较中混合模型R2=0.99、RMSE与MAE极低,优于单一SVM/决策树/KNN及文献中XGB、LightGBM、ANN;外部验证R2=0.81,Taylor图标准差<2.9%、相关系数>0.82,证明泛化优势。敏感性分析识别出LOA、DC、IM、SCT为全局敏感因子。
讨论与结论翻译总结:研究人员指出,既有模型缺乏将多种人工智能技术与社会经济及气候条件综合的框架,本研究首创SVM-决策树-KNN混合模型并嵌入利益相关者维度,经严格预处理与Taylor图验证,在巴基斯坦多气候区绿色住房成本预测中解释方差99.99%,外部样本仍保持0.81决定系数。结论确认认知水平、气候响应设计与材料库存管理是削减成本影响的主路径,场地极端温度与运营成本是增本主因;该框架可支撑开发商、政府与设计师在多样气候下权衡绿色住房投资,对发展中国家气候适配型建筑政策具有直接应用价值。