《BUILDING AND ENVIRONMENT》：Cross-Room Generalization of Window-Opening Models Under Distribution Shift: Feature Distance, Adaptation, and Mechanisms
编辑推荐：
•分布变化系统性地挑战了窗口状态模型在房间间的重用。•一种无标签的差异度量方法能够实现部署前的泛化风险筛查。•迁移学习支持在目标房间标签有限的情况下进行低成本调整。•房间间的故障与特征交互结构的变化有关。•温度是跨房间稳定的、主要的预测因子。引言根据国际能源署的《2025年全球能
- •
分布变化系统性地挑战了窗口状态模型在房间间的重用。
- •
一种无标签的差异度量方法能够实现部署前的泛化风险筛查。
- •
迁移学习支持在目标房间标签有限的情况下进行低成本调整。
- •
房间间的故障与特征交互结构的变化有关。
- •
温度是跨房间稳定的、主要的预测因子。
引言
根据国际能源署的《2025年全球能源评估》，建筑行业约占全球电力消费增长的60%[1]。在建筑的整个生命周期中，能源使用主要由运营阶段主导[2]，在此阶段，供暖、通风和空调（HVAC）系统起着核心作用[3]。实际上，HVAC的运行很大程度上受到居住者行为的影响，这些行为调节了控制动作和系统性能，从而影响了能源消耗[4]。可靠地表示居住者行为对于能源分析和控制设计至关重要[5,6]。
在与建筑界面互动的各种行为中，开窗尤为重要，因为它影响自然通风、热舒适度、室内空气质量以及HVAC的依赖性[[7], [8], [9], [10], [11]]。可靠的开窗行为模型支持多种应用，包括以居住者为中心的控制[12]、污染物暴露评估[13]、室内环境质量预测和建筑能源模拟[14]。
现有研究的主要目的是识别窗户操作的普遍决定因素和潜在规律，并预测在特定情境下开窗行为的发生和持续性。在行为表示方面，现有研究通常采用两种定义：基于行为的窗户操作和基于状态的电影条件[15]。从方法论的角度来看，现有文献可以通过两种互补的分析视角进行总结，这两种视角可能在单个研究中共存（表1）。
第一种视角强调机制导向的解释。这些研究通常开发可解释的统计模型，最常见的是逻辑回归及相关的一般线性或混合模型，以研究环境因素与房间级窗户操作之间的关联。常见的预测因子包括室内环境条件（例如温度、相对湿度、CO?）、室外环境条件（例如温度、相对湿度、风速和方向、降雨量）、与居住者相关的因素（例如居住状态和居住者偏好）以及情境变量（例如一天中的时间和一周中的某天）。在文献中，室内和室外空气温度被一致认为是开窗的主要驱动因素[16,17]，并且开窗概率通常会随着温度的变化而表现出阈值样的行为[18]。其他环境因素，如风速、CO?、相对湿度和太阳辐射，也被研究为可能具有影响力的变量[19]。
第二种视角强调性能导向的预测。采用这种视角的研究开发统计学习和机器学习模型来预测窗户状态或开/关事件。常见的方法包括逻辑回归、多层感知器或深度神经网络（MLP/DNN）[20]、XGBoost [21]、支持向量机（SVM）和随机森林。此外，还采用了顺序模型，如隐马尔可夫模型（HMM）和长短期记忆网络（LSTM）[22]，以捕捉时间动态，包括状态转换和停留时间。性能导向的研究通常采用与解释性分析中相似的输入变量，同时更注重预测窗户状态以及在预测准确性、计算效率和模型透明度之间的权衡，以便于工程应用。
现有研究使用了广泛的环境变量来分析房间级的开窗行为。然而，将这些模型应用于多样化的实际场景仍然具有挑战性[30]。在实践中，窗户操作模型通常期望在不同的房间、楼层、建筑或气候区域中使用[[31], [32], [33]]。当模型被转移到其训练背景之外时，目标房间的环境条件范围、居住情况和本地控制策略可能会有所不同[34,35]。这些差异会改变输入特征分布和背后的“特征-行为”关系，导致在目标环境中的性能大幅下降甚至失败，从而限制了解释性发现的泛化能力[36,37]。由于传感器部署和长期标记数据收集的成本较高，工程实践往往无法在每个新环境中获得足够的数据来重新训练模型[38]。因此，跨环境部署必须解决三个研究问题：
(1)在跨房间泛化过程中，哪些差异因素与性能下降最为相关，这些关联能否被量化以用于部署前的风险评估和预测[39]？
(2)当需要目标领域的数据进行适应时，监督适应的有效性如何，采样策略应该如何设计[40]？
“特征-行为”映射在房间间有何不同，如何将跨房间差异的机制理解转化为模型适应和传感器部署或配置的可操作指南[41]？
如果这些问题得不到解决，迁移的窗户行为模型可能会产生不可靠的输入，导致自动窗户控制和能源使用预测的失误[42]，而泛化不良的模型也可能导致有偏的行为解释和误导性的设计或控制决策[43]。这些风险最终可能损害建筑性能，并降低居住者行为模型在真实建筑中的可重用性和可扩展性[44,45]。尽管存在这些风险，大多数现有研究仍然在单个房间或单个建筑内训练和验证窗户行为模型，而一个具有定量证据的统一框架来系统地解决分布变化下的跨环境部署问题仍然缺乏。
为了解决上述挑战，本研究提出了一个综合框架，用于评估跨领域泛化并使用多源环境数据对多房间窗户状态预测进行可解释的分析。采用了一种基于系统性的跨房间组合验证策略，以评估房间外的泛化性能和监督领域适应的有效性。进一步采用可解释性方法来识别房间间的共同和不同驱动机制。主要贡献如下：
(1)将特征分布差异与泛化性能联系起来。通过构建全面的多房间源-目标组合，本研究定量描述了房间间特征分布差异与跨房间性能下降之间的关系，并确定了支持部署前泛化筛查的风险指标。
(2)评估目标领域数据对成本效益适应的要求。在多样的源-目标组合和差异情况下，量化了与目标领域样本大小和季节分配相关的边际性能提升，为有限标签预算下的有效监督领域适应提供了实证指导。
(3)表征跨房间驱动机制的稳定性和变异性。通过可解释的分析，比较了房间和气候环境下的特征重要性排名和边际效应，揭示了窗户操作的持续主导因素以及依赖于情境的变化，从而为可重用模型设计和实际传感器选择及部署提供信息。
章节片段
总体研究流程
在本研究中，从多个独立来源收集了房间级的窗户状态数据集，并建立了一个标准化的预处理流程，以协调各研究中的特征定义和数据集规模[46,47]。要解决跨房间泛化问题，需要考虑建筑、居住者和气候环境之间的差异，这些差异无法通过单次测量活动来覆盖。因此，整理和协调了多个公共数据集，以实现领域间的可重复分析
领域特征距离对跨房间泛化的影响
本节评估了是否可以从目标领域标记前的信息预测跨房间泛化风险。
部署前筛查的特征距离
一项核心发现是，跨房间预测会受到系统性的下降，这与源-目标分布不匹配有关。SWD（特征分布差异）与目标领域性能之间存在显著的负相关，表明较大的特征变化与较差的直接跨房间泛化相关（图4）。这支持了一种实用的、无标签的筛查方法：在部署之前，可以从可用的环境变量计算SWD来估计泛化风险并识别
结论
本研究解决了窗户状态模型在跨房间泛化下的频繁失败问题，以及缺乏定量部署前评估和低成本适应指导的问题。提出并验证了一个整合了跨房间泛化分析、领域适应和机制导向解释的统一框架。主要发现总结如下：
直接的跨房间迁移会导致由分布变化驱动的系统性能下降。当
CRediT作者贡献声明
Ziqi Zhang：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。Yuxiao Wang：撰写——审阅与编辑、监督、资源管理、项目管理、方法论、调查、形式分析、概念化。
Ziqi Zhang|Yuxiao Wang
