《Buildings》：A Proposed Mamba Network for Multi-Horizon Prediction of Occupant Air-Conditioning Behavior
编辑推荐：
理解暖通空调（heating, ventilation, and air-conditioning，HVAC）运行状态的可预测性及其预测信息如何随预测时域（forecast horizon）变化，对于以 occupant 为中心的楼宇运行至关重要。为系统考察从
理解暖通空调（heating, ventilation, and air-conditioning，HVAC）运行状态的可预测性及其预测信息如何随预测时域（forecast horizon）变化，对于以 occupant 为中心的楼宇运行至关重要。为系统考察从近期到日前时域的这些变化，本研究提出一种基于Mamba的多时域HVAC运行状态预测框架。该模型整合了 occupant 相关、环境、时间及历史HVAC信息，并将长期状态空间建模与近期运行注意力机制和周期模式学习相结合，以捕捉不同预测时域下的HVAC运行动态。模型在ASHRAE全球 occupant 行为数据库（ASHRAE Global Occupant Behavior Database）中的三个数据集上进行了评估，预测时域从10分钟到24小时共六个。预测性能总体上随时域增长而下降，在稀疏且高度不平衡的运行条件下退化更为明显。特征消融分析表明，预测的信息依赖从短时域下对当前HVAC状态的强依赖，转向长时域下对累积运行历史及周期模式的更大依赖。与涵盖传统机器学习和深度序列模型的十个基线模型相比，所提模型在所有数据集和预测时域上均取得最高F1-score，F1-score、PR-AUC和AUROC的平均相对提升分别为4.7%、2.8%和1.6%。这些发现刻画了所评估数据集上随时域变化的预测性能和特征依赖规律，并为不同运行时域下预测输入的选择提供参考。
建筑运行能耗约占全球能源使用量的40%，其中暖通空调（heating, ventilation, and air-conditioning，HVAC）系统消耗建筑能耗的40%–50%。 occupant 对空调系统的启停和温度设定值调节直接影响HVAC运行状态，进而影响能耗。准确预测 occupant 驱动的HVAC行为对于建筑能耗模拟和 occupant 中心控制至关重要，但该行为具有随机性、多样性和复杂性，且受环境、时间、 occupants 习惯等多因素共同影响。统计与机器学习方法如逻辑回归、随机森林、支持向量机（SVM）和极端梯度提升（XGBoost）虽能捕捉非线性关系，但依赖人工特征，难以直接学习长时序结构；长短期记忆（LSTM）和Transformer等深度序列模型虽能建模时序依赖，但存在顺序计算或注意力二次复杂度问题。更重要的是，已有研究多集中于单一预测时域或当前状态估计，缺乏对HVAC可预测性及特征依赖如何随预测时域变化的系统认识。为此，研究人员提出一种基于Mamba的多时域HVAC运行状态预测框架，以回答短时到日前尺度上“哪种信息最有用”的问题。
本研究从ASHRAE全球 occupant 行为数据库选取三个数据集（数据集10，意大利Rende；数据集17，中国上海；数据集21，中国南京），以5分钟分辨率构建24小时历史输入序列，预测未来10、30、60、120、360和1440分钟的HVAC开关状态。模型整合了 occupant 相关、环境、时间及历史HVAC信息，将长期状态空间建模与近期运行注意力、周期模式学习相结合。结果表明，预测性能随时域增加而下降，但下降幅度取决于数据集的类别分布和运行规律；特征依赖从短时域对当前状态的强依赖，转向长时域对累积运行历史和周期模式信息的依赖。与十个基线模型相比，所提模型在F1-score、PR-AUC和AUROC上均取得最优或接近最优结果，平均相对提升分别为4.7%、2.8%和1.6%。该研究为不同运行时域预测输入的选择提供了实证依据，有助于推进 occupant 中心的HVAC智能调控。
关键技术方法方面，研究人员提出了一种多分支Mamba网络。长期分支采用选择性状态空间模型（selective state space model，SSM）捕捉长时序依赖；近期注意力分支对最近60分钟序列应用多头自注意力（multi-head attention，MHA）以捕捉短时变化；HVAC运行分支编码当前状态、状态持续时长、历史转换率、历史开率、近期开率等运行特征；周期分支引入前一天和上一周同时刻的HVAC状态作为周期输入。所有分支经拼接和全连接融合后输出未来时域的开启概率。训练采用AdamW优化器和加权二元交叉熵损失，按时间顺序以70/10/20划分训练、验证和测试集，并以验证集F1-score进行早停和超参数选择。
### 3.1 多时域预测性能
短时域预测在三个数据集上均表现良好，但随时域增长的退化程度存在明显差异。数据集10的F1-score从短时的0.925降至长时的0.529，整体降幅42.8%，PR-AUC降幅47.1%，主要体现为长时域精确率下降，即假阳性增多；数据集17的F1仅下降2.5%，PR-AUC下降0.9%，表现出高度稳定性；数据集21的F1下降11.1%，PR-AUC下降6.4%，属于中等退化。这说明多时域预测性能不仅取决于预测时域，还与 occupant 的HVAC运行规律和类别不平衡程度密切相关。
### 3.2 基线模型比较
与Persistence、Previous Day、逻辑回归、XGBoost、多层感知机（MLP）、LSTM、双向LSTM（BiLSTM）、Transformer、vanilla Mamba和MambaFormer十个基线相比，所提Mamba在全部18个数据集-时域组合的F1-score比较中取得第一，并在15/18的PR-AUC和16/18的AUROC比较中取得第一。其在长时域上的优势尤为明显：在数据集10的1440分钟时域上，F1-score由最强基线的0.420提升至0.512，相对提升21.9%；在数据集17和数据集21上亦保持领先。总体而言，平均F1-score、PR-AUC和AUROC分别相对最强基线提升4.7%、2.8%和1.6%。
### 3.3 消融研究
消融实验在最具挑战性的数据集10上进行，覆盖10、60、120、1440分钟四个代表性时域。网络组件消融显示，移除运行分支导致F1-score平均下降0.032、PR-AUC平均下降0.046，在长时域影响最大；移除长期Mamba分支在120和1440分钟时F1-score分别降低0.040和0.054，表明其对于长时域预测的重要性；移除近期注意力分支在短时域的PR-AUC下降更明显；周期分支的贡献较小但持续存在。输入特征消融显示，小时时刻（hour of day）和历史开率（historical on ratio）对PR-AUC的影响最大，平均降低约0.057和0.047；历史HVAC信息的重要性随时域增长而增强，例如在1440分钟时移除历史开率使PR-AUC降低0.099，而移除当前HVAC状态在10分钟时对F1-score影响最大。这表明预测的信息来源从短时域的当前状态持续性，系统性地转向长时域的累积运行历史和周期模式。
### 3.4 HVAC运行启示
对于数据集10的24小时预测，模型精确率为0.412、召回率为0.676，说明约58.8%的预测开启状态实际为关，而约32.4%的实际开启状态未被识别。若直接用于触发提前运行，将可能导致不必要的空调运行；漏报则可能错失预冷或预热机会。研究人员建议将预测概率作为监督控制的附加输入，结合当前 occupancy 、室内热环境和设备约束，并采用更保守的决策阈值或实时测量确认。短时预测适用于近实时调整，长时预测可用于日内和日前规划及需求响应准备。
### 3.5 局限性与未来工作
本研究受限于ASHRAE数据库中满足完整变量要求的数据集数量，结果反映的是建筑内时间泛化而非跨建筑迁移；重叠滑动窗口导致样本时间相关，可能夸大短期性能；部分室外数据来自气象记录而非现场测量；未纳入热舒适、情绪、工作负荷等个体因素；且未实施真正的预测控制。未来应扩展数据范围，采用非重叠测试窗口，结合现场测量和更丰富的 occupant 信息，并将模型集成到EnergyPlus预测控制框架中，比较其与传统调度控制在能耗和热舒适方面的差异。
### 讨论总结与研究结论翻译
讨论部分强调，预测误差的后果取决于具体应用场景，多时域预测结果可为 occupant 中心的HVAC控制和运行规划提供有用信息，但需要谨慎解释长时域预测中的误报和漏报。研究结论可翻译为：这项研究考察了HVAC运行状态预测性能和特征依赖如何从近实时到日前时域变化，并开发了基于Mamba的预测框架以捕捉长期时间依赖和近期运行动态。模型在ASHRAE全球 occupant 行为数据库的三个数据集上，于10、30、60、120、360和1440分钟六个预测时域进行评估。结果识别出两种随时域变化的模式：第一，HVAC运行状态可预测性随预测时域和类别分布而变化，性能一般随时域增加而下降，但下降幅度因数据集而异；第二，特征依赖也随时域变化，短期预测更依赖当前状态持续性，长期预测则逐渐依赖累积运行历史和周期模式。在全部18项F1-score比较中，所提模型均取得最高值，并在15项PR-AUC和16项AUROC比较中取得最佳。其在较长预测时域上的优势更明显，例如在数据集10的1440分钟时域上，F1-score相对最强基线提升21.9%。平均而言，F1-score、PR-AUC和AUROC分别相对最强基线提升4.7%、2.8%和1.6%。消融分析进一步表明，长期Mamba、近期注意力、运行和周期组件在不同时域上提供了互补贡献。未来工作应将预测与 occupant 中心HVAC控制相结合，并评估短时预测用于近期运行调整、长时预测用于日内和日前调度及需求响应规划的价值。
