基于机器学习、集成贝叶斯优化和SHAP技术的运动者热舒适度模型：以羽毛球运动员为例的研究

《ENERGY AND BUILDINGS》：Thermal comfort model for exercisers that uses Machine learning with integrated Bayesian optimization and SHAP: A case study of badminton players

热舒适模型通过机器学习与实地数据验证，发现随机森林算法在预测运动者热感知（81.85%）和热舒适度（88.66%）方面最优，传统模型如Ta和SET*表现不足，主要影响因素为空气温度和代谢率，厦门训练厅夏季高温高湿环境易引发不适。

　　

Jiongjiong Yuan|Zhicheng Sun|Huijun Mao|Maoyu Ran

华侨大学建筑学院，中国福建省厦门市361021

摘要

运动过程中的热舒适度与人体健康和运动表现直接相关。然而，运动期间的生理和心理变化具有相当的复杂性，这限制了传统热舒适度模型的预测性能。本研究建立了一个针对运动者的热舒适度模型，该模型利用了机器学习、现场测量数据和问卷调查数据，以羽毛球运动员作为研究案例。通过贝叶斯优化，对比分析了支持向量机、决策树、神经网络和随机森林模型的预测性能，以确定最优模型。进一步使用SHapley Additive exPlanations（SHAP）解释了各特征的相对影响，并利用最优模型评估了厦门典型训练场馆的热环境。结果表明，随机森林分类算法取得了最佳性能，平均10折准确率分别为81.85%（热感觉）和88.66%（热舒适度），优于其他算法和基于Ta及SET*的传统热舒适度模型。值得注意的是，将运动前后的热感知纳入机器学习算法模型有助于预测行为相关的热感知。空气温度是影响运动者热舒适度和热感觉的主要因素，两者密切相关但具有不同的特征。运动者在运动过程中表现出热适应能力。厦门的训练场馆在过渡季节提供了可接受的条件，但在夏季的高温和高湿度下会引发严重不适。这些发现有助于更深入地理解运动过程中的热舒适度特征，并为体育设施的环境控制提供实用指导。

引言

人类的热舒适度在不同行为中存在显著差异。运动过程中的热舒适度与日常体育活动和公共卫生直接相关，因为不适的热环境可能引发不良的生理[1]、[2]、[3]和心理反应[4]、[5]，从而进一步损害运动表现和人体健康[6]、[7]。尽管关于运动过程中热舒适度的研究具有重要的实际意义和科学价值，但以往的研究主要集中在代谢率较低的人群[8]、[9]、[10]上。对于代谢率通常较高的运动人群的研究仍大多处于探索阶段[11]、[12]、[13]。相关研究试图建立或修改热舒适度评估指标和模型，以更有效地预测运动人群的热舒适度。Ji等人[14]通过修改Fanger的预测平均投票（PMV）模型，提高了运动过程中热舒适度的预测准确性，证明了模型性能的部分优化。然而，Fletcher等人发现，尽管修改后的PMV模型可以减少高代谢活动期间预测热感知的偏差，但改进程度仍不足以达到可接受的水平[15]。除了传统的PMV之外，其他热舒适度评估指标，如空气温度（Ta）、标准有效温度（SET*）[16]、操作温度（To）[17]和熵[18]也被应用于高代谢率运动人群的热舒适度研究。由于代谢率是运动人群热舒适度的关键决定因素[19]，不同运动的能量消耗模式和运动强度会导致人体代谢和热舒适度反应的不同。因此，针对体育活动的热舒适度评估模型需要根据具体运动类型进行定制或调整[20]。然而，目前关于运动人群热舒适度的现场研究仍然有限，特别是针对特定运动类型的研究。Yuan[21]使用Ta和SET*研究了不同竞技水平的羽毛球运动员的热舒适度，发现SET*在运动场景下的表现不如Ta，并且同一运动内的不同竞技水平之间也存在热舒适度的差异。这些发现进一步强调了运动过程中热舒适度的复杂性，并指出了传统研究方法在准确性和适用性方面的局限性。

热舒适度是一种主观感知，其边界本身就具有模糊性。运动过程中的热舒适度复杂性源于生理和心理变化，需要现代分析方法来应对这些挑战。以往的研究试图通过精确的数值分类来界定不同热舒适度感知之间的模糊边界，但这可能在实际应用中引入偏差[22]。与线性化方法相比，机器学习（ML）算法在识别独立变量和因变量之间的非线性和非标准关系方面表现出更强的能力[23]。Chaudhuri等人[24]使用ML算法预测自然通风和空调建筑中的热舒适度，预测准确率在73.14%到81.2%之间，均优于PMV模型。Zhu[25]、Wang[26]和Sun[27]分别应用ML研究了购物中心建筑、寒冷地区大学餐厅和学校教室的热舒适度，每项研究都取得了有希望的结果。Guo等人[28]将ML应用扩展到户外热舒适度预测，通过贝叶斯优化进一步提高了模型的预测性能。Yang等人[29]在个性化热舒适度研究中实施了ML，实现了95.8%的热感觉预测准确率。

对于运动过程中的热舒适度，Dyvia等人[30]使用人工神经网络（ANNs）预测了多种建筑环境中的热舒适度，他们发现代谢率和服装保温性能对热舒适度有显著影响，尤其是在高强度活动时代谢率的影响更为明显。Elnour等人[31]开发了一种基于神经网络（NN）的模型预测控制（MPC）系统，用于卡塔尔大学体育馆的供暖、通风和空调（HVAC）管理，实际值与预测值之间的平均均方根误差（RMSE）约为0.06，平均R值为0.99。Li等人[32]结合ML建立了利用面部表情、平均耳部皮肤温度和心率的儿童户外热感觉预测模型，实时监测了儿童在不同强度户外活动中的热舒适度，准确率达到97.1%。虽然这些研究展示了ML在运动相关热舒适度研究中的潜力，但自适应热舒适度理论强调个体的热感知受先前状态的影响[33]。然而，目前ML在运动者热舒适度现场应用中的探索仍局限于特定运动类型和实际运动过程中发生的动态行为转变。同时，ML模型常被视为“黑箱”模型，在操作透明度方面存在固有局限性。当前的建模框架在阐明组成特征的相对贡献和功能意义方面面临持续挑战。

本研究旨在应用ML算法预测自然通风训练场馆中运动者的热感觉和舒适度，利用现场收集的数据。通过比较不同ML算法的贝叶斯优化预测性能，我们确定了最优算法和建模方法。此外，我们评估了最优算法模型与基于Ta和SET*的传统评估模型之间的性能差异，并通过SHapley Additive exPlanations（SHAP）解释了最优算法模型中各特征的贡献和方向性影响。最后，预测了厦门代表性训练场馆的热舒适度特征。这些结果为炎热潮湿地区体育场馆的热环境优化提供了数据支持。研究流程图如图1所示。

研究主题

本研究聚焦于中国厦门（24°23′–24°54′N，117°53′–118°26′E）的运动者。厦门拥有活跃的体育文化，羽毛球是仅次于跑步和健身训练的最受欢迎的运动之一。我们以羽毛球运动员作为研究对象，招募了14岁及以上的休闲、业余和职业运动员参与研究。厦门属于中国建筑热设计气候中的炎热夏季和温暖冬季区域。

热感知分布和特征分析

收集的热感觉投票（TSV）和热舒适度投票（TCV）值的分布如图4(a)和(b)所示。与最高代谢当量（MET）相关的运动行为对应于最温暖的热感觉评分和最不舒适的热舒适度评价。相比之下，休息行为的TSV和TCV值趋于中性和舒适。值得注意的是，观看和休息行为尽管具有相似的低MET水平（均为1.3 MET），但表现出不同的热感觉

特征重要性的解释及其意义

可解释的分析表明，空气温度（Ta）是运动过程中热感知的最关键因素，这与高代谢状态下增强的生理冷却需求一致。行为及其相关的代谢率（MET）也具有很高的影响力。高代谢率的活动通常与更大的热不适相关。然而，在高代谢率的运动行为中，不同运动之间的热舒适度特征存在差异

结论

本研究开发了一个基于机器学习的框架，用于预测自然通风体育场馆中运动者的热感觉和舒适度。主要发现和贡献总结如下：

(1)

将行为序列整合到分类模型中可以提高预测准确性。将连续的行为序列（观看、热身、运动、休息）作为一个整体过程进行建模，比孤立行为或使用独热编码的方法表现更好。这证实了

CRediT作者贡献声明

Jiongjiong Yuan：撰写 – 审稿与编辑，撰写 – 原稿，方法论，资金获取，概念化。Zhicheng Sun：撰写 – 审稿与编辑，撰写 – 原稿，可视化，软件，方法论，调查，正式分析，数据管理，概念化。Huijun Mao：撰写 – 审稿与编辑。Maoyu Ran：撰写 – 审稿与编辑，资金获取。

资助

本研究得到了中国国家重点研发计划（2024YFC3809304-2）、厦门自然科学基金（3502Z202473052）和华侨大学高级人才研究启动基金（20251XD013）的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。