《ENERGY AND BUILDINGS》：A review of thermal sensation prediction in automotive Passenger Cabins: From subjective Vote to Data-Driven approaches
编辑推荐：
车辆舱内热感觉预测模型研究进展：从实验回归到机器学习融合
Xingjun Hu|Keyuan Shi|Zirui Wang|Jingyu Wang|Peng Guo
吉林大学汽车底盘集成与仿生学国家重点实验室，长春130025，中国
摘要
汽车乘客舱内热环境的空间非均匀性和瞬变性对预测乘员的热感觉提出了重大挑战。本文系统全面地回顾了用于预测舱内热感觉的方法和途径，概述了从基于实验热感觉评分的回归拟合到引入基于机器学习的数据处理的整个发展过程。首先，本文介绍了常用的人体热生理和热心理模型。考虑到舱内环境的复杂性，随后介绍了依赖实验数据并应用于舱内场景的热感觉模型。在此基础上，进一步讨论了数值模拟方法在热感觉预测中的应用，包括四种热传递模式（对流、辐射、蒸发和传导）的环境边界条件设定，以及结合人体热生理模型时的边界条件公式化。为了进一步提高热感觉预测的准确性和计算效率，本文还回顾了采用基于机器学习的热感觉模型的研究。详细研究了在不同模型输入和输出组合下的热感觉预测，并总结了机器学习预测过程，涵盖了稳态和瞬态运行条件。本文还系统总结了汽车乘客舱内热感觉预测领域的研究方向，并提供了理论见解，以支持对人类热感觉机制的深入研究。通过分析和整合关键 enabling 技术，这项工作为未来实现个性化、实时的热舒适控制奠定了坚实的理论基础。
引言
随着城市化进程的加快，机动车在城市交通中的使用日益广泛，导致驾驶员和乘客在车内度过的时间增加，对舱内舒适性的要求也随之提高 [1]，[2]。影响舱内舒适性的因素包括热环境、声学环境和照明环境等 [3]。据调查显示，汽车行业中大约20%的售后投诉与舱内热环境有关 [4]。
热舒适理论 [5] 最初是基于在受控室内条件下进行的实验研究建立的。热感知是一个复杂的主观过程，受到环境、生理和心理因素的影响。其中，热感觉、热舒适度和热可接受度被广泛认为是主观热感知的三个独立维度 [6]，[7]。作为最常用的主观评价指标，热感觉 [8] 指个体区分从冷到热的主观感受的能力 [9]。
近几十年来，热感觉模型发展迅速，不断朝着更高的准确性、更强的泛化能力和更快的预测速度方向进步。早期的工作以Fanger等人提出的预测平均评分（PMV）模型为代表 [5]，该模型基于全身热平衡和气候室实验建立了评估室内建筑环境热感觉的方法；这一方法后来成为ASHRAE 55 [9] 和ISO 7730 [10] 等标准的基础。随后，Gagge等人提出的两节点模型 [11] 在“核心-皮肤”框架内引入了简化的体温调节过程（如出汗和皮肤血流），并应用于非稳态和非均匀的室内环境。之后，Zhang等人提出的伯克利多节点模型 [12]，[13] 结合了分段和多层次的体温调节机制，能够预测局部和整体的热感觉，显著提高了在复杂空间中的适用性。近年来，Alfano等人 [14] 为了获得更准确和更具个性化的热生理模型，提出了THERMODE模型，为预测人体皮肤温度和核心温度提供了更高的标准。此外，基于大量室内现场测量数据，还开发了自适应热舒适模型和基于机器学习的数据驱动模型，为个性化和动态热感觉预测提供了新的方法。
然而，与相对均匀的室内建筑环境相比，车辆舱内高度非均匀和瞬变的特性导致许多上述热感觉模型的拟合性能较差。为了开发适用于车辆舱内高度非均匀和瞬变环境的热感觉模型，本研究回顾了从使用外部环境参数拟合的热感觉模型到结合多种运行条件和多种状态的模型的发展过程，逐步提高了准确性和个性化程度。
为了降低实验成本并考虑在极端环境下进行人体实验的难度，数值模拟方法的快速发展促进了其在热感觉预测中的应用。通过数值模拟，研究人员可以更准确地设定对流、蒸发、辐射和传导四种热传递机制的边界条件，从而有效模拟人体与环境之间的热交换过程。计算流体动力学（CFD）已经从早期的k-e湍流模型 [15] 发展到使用PowerFLOW来解决舱内气流和对流热传递过程 [16]。辐射模型（如Surface-to-Surface (S2S)、Discrete Ordinates Method (DOM) 和 Spectral Discrete Ordinates Method (SDOM)）也被应用于乘员舱内热舒适性模拟 [17]，[18]。此外，随着人体生理模型的引入，Gagge的两节点模型和Stolwijk模型等也被应用于舱内热舒适性模拟，显著提高了预测准确性 [16]，[19]，[20]，[21]。通过数值模拟还优化了皮肤温度设定，进一步提高了热感觉预测的准确性。这些进步不仅推动了车内热环境模拟技术的发展，还为热感觉预测模型提供了更可靠的支持，特别是在瞬变和非均匀环境中，模拟方法的优势得到了更广泛的应用。
此外，由于舱内运行条件的多样性、对边界条件的敏感性以及个体间差异的显著性，即使实验方法和数值模拟不断进步，热感觉研究在追求大规模覆盖运行条件时仍不可避免地面临高计算成本和效率瓶颈。为了克服这一限制，近年来机器学习被引入到热感觉预测中。其核心价值不在于简单地替代传统模型，而在于实现来自实验和模拟的多源信息的更高效融合和利用：采用随机森林（RF）、支持向量回归（SVR）、人工神经网络（ANN）和长短期记忆（LSTM）等方法，在预测准确性和推理效率方面取得了显著改进 [22]，[23]，[24]。一方面，模型输入从早期仅依赖温度、空气速度、辐射和湿度等环境参数 [25]，[26] 发展到包括驾驶条件、控制指令和个人特征 [27]，[28] 以及红外温度数据等图像特征 [29]，从而提高了在非均匀、瞬变和多干扰场景下的适用性和泛化能力。另一方面，模型输出主要关注两个互补的目标：等效均匀温度（EHT）和热感觉评分（TSV）[30]。EHT将复杂热环境对人类热交换刺激的非均匀和瞬变效应转化为统一的指标，减少了环境表示中的个体差异干扰，因此适用于工程评估和优化；TSV通过针对受试者的主观评分，隐含地结合了生理调节和心理适应的联合效应 [22]，为个性化热舒适建模提供了途径。总体而言，随着机器学习的引入，更精细的环境和生理信息可以有效地转化为预测能力，从而在准确性和效率之间取得了新的平衡。因此，本研究的核心目标是提供关于车辆舱内热感觉预测的系统和全面回顾，涵盖了从早期理论发展到当代数据驱动方法的整合。
基于上述讨论，本文全面概述了人类热感知模型的发展历程，包括从实验研究到数值模拟、从回归拟合到机器学习方法、从初始模型构建到持续优化的整个发展轨迹。本研究旨在为热感觉预测的研究人员提供模型开发和方法论趋势的系统性理解，同时也为车辆舱内的有效热管理和空调控制提供理论支持。本文的结构如下：第2节概述了本文的范围和框架；第3节从心理和生理两个角度探讨了两条主要模型发展路线，并在此基础上介绍了车辆舱内的环境特征以及基于舱内的热感觉模型；第4节讨论了热流耦合模拟的边界条件设置，解决了设定对流、蒸发、辐射和传导等外部热环境条件的过程，并结合了人体体温调节过程；第5节介绍了涉及机器学习的热感觉预测方法，重点关注不同的输出，并讨论了稳态和瞬态环境中的各种热感觉模拟方法；最后，第6节总结了本文并展望了未来发展方向。图1提供了本文的图形摘要。
部分摘录
研究概述
根据本综述的主要研究方向，使用相关关键词在Web of Science和PubMed数据库中进行了搜索，并分析了提取的信息和结果。搜索关键词包括：(((车辆舱) 或 (建筑)) 和 (热感觉)) 和 ((人体生理模型) 或 (热流耦合模拟) 或 (热传递) 或 (机器学习))。特别关注了“人体热感觉模型”、“人体热生理
热生理模型的发展
关于人体热感觉和体温调节模型的研究可以追溯到大约八十年前 [31]。正如Hensel在《大英百科全书》中所描述的，“恒温性被定义为一种温度调节模式，在这种模式下……核心温度保持在±2 K的任意范围内，尽管环境温度变化较大” [32]。
人体体温调节系统的主要目标是维持相对稳定的内部温度。
车辆舱内热感觉的模拟研究
热感觉评分实验可以直接提供关键信息，如热感觉评分和皮肤温度。然而，这些观察结果往往受到测量点密度、边界可控性和运行条件覆盖范围等因素的限制。这使得难以完全捕捉汽车舱内环境的三维热环境细节和热交换分析。
用于人体热感觉预测的机器学习
随着机器学习在各个多学科领域的快速发展 [103]，热感觉预测进入了数据驱动的时代 [104]。为了提高热感觉模型的泛化能力和鲁棒性，研究人员越来越多地将机器学习技术应用于热感觉预测任务 [105]。现有的热感觉相关信息正从“总体平均值”转向时空高分辨率描述。
结论
目前，关于汽车乘客舱内人类热感觉预测的研究逐渐发展到结合多种方法，包括热感觉评分实验、数值模拟和基于机器学习的预测。最初，实验用于在不同环境条件下获取受试者的热感觉评分，为主观评估提供了基础。然而，传统的实验方法受到
CRediT作者贡献声明
Xingjun Hu：资源、概念化。Keyuan Shi：写作——审阅与编辑、撰写——初稿、软件、方法论、调查、形式分析、数据管理。Zirui Wang：写作——审阅与编辑、软件、资源、方法论、形式分析、数据管理。Jingyu Wang：可视化、验证、监督。Peng Guo：可视化。
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竞争财务利益或个人关系。
致谢
本工作得到了吉林省科技发展计划[资助编号 20220301013GX-->]的支持。
