基于异构图神经网络的可解释城市建筑能耗建模：以武汉市住宅街区为例

《Buildings》：Interpretable Urban Building Energy Modeling by Heterogeneous Graph Neural Networks: A Case Study of Residential Blocks in Wuhan

　　

传统城市建筑能耗建模往往忽略空间配置和相互阴影效应的复杂性，从而限制了其精度。本研究提出了一种基于异构图形神经网络（GNNs）的新型、可解释、数据驱动框架，以揭示并表征建筑形态与城市拓扑之间的复杂相互关系。研究人员利用参数化平台生成了包含武汉市285个住宅街区的图形数据集，该数据集构建为双层图形结构：建筑分区图（BZGs）和建筑布局图（BLGs）。基于该数据集训练了四个GNN模型，评估结果表明，GraphTransformer在捕捉长程空间关系（特别是由阴影和太阳辐射交互引起的关系）方面优于GCN、GAT和GraphSAGE。在验证集上，GraphTransformer实现了优异的预测精度，冷却和加热能耗预测的R2分数分别超过0.85和0.90。随后，通过GNNExplainer进行的后验可解释性分析识别出影响建筑能耗的三个重要形态特征。关键地，模型发现编码为图形边的阴影关系（特别是南立面与西立面之间的阴影关系）对建筑能耗具有统计显著影响。最后，该工作建立了一个高效、可解释的替代建模框架，用于城市尺度能耗分析，提供可量化、设计可操作的见解，以支持可持续城市发展。

**研究背景与问题**
城市区域占全球最终能源消耗的60%以上，随着城市化加速和人口增长，建筑能耗需求预计将大幅增加。精确的城市建筑能耗建模（UBEM）对于评估建筑能效潜力、制定城市设计策略以及支持向低碳可持续城市转型至关重要。传统UBEM方法分为“自上而下”和“自下而上”两类。自上而下方法将建筑体量视为均匀单元，忽略建筑细节和空间关系；自下而上的物理模型依赖热力学定律和建筑性能模拟（BPS），但需要大量计算资源和输入数据，且在城市尺度下常因默认假设而牺牲精度。数据驱动模型（如支持向量机（SVM）、XGBoost、循环神经网络（RNN）和人工神经网络（ANN））虽成为替代方案，但城市布局的复杂空间特征和建筑间效应（IBE）常导致显著预测误差，且其“黑箱”特性限制了可解释性。图形神经网络（GNNs）通过聚合邻域节点信息，能有效描述城市布局中的信号传递和聚合。现有GNN研究存在以下问题：上下文限制（使用同质图忽略外部环境影响）、形态简化（将建筑简化为单节点）、算法局限（仅使用一两种GNN架构）以及可解释性缺失（缺乏后验分析）。为弥补这些空白，本研究提出一种可解释的数据驱动UBEM框架，整合IBE以实现准确且广泛适用的城市建筑能耗预测。

**研究内容与结论**
研究人员构建了武汉285个住宅街区的街区关系图（BRG）异构图数据集，通过参数化建模记录建筑形态和城市空间布局。通过评估和比较四种GNN架构（图卷积网络（GCN）、GraphSAGE、图注意力网络（GAT）和GraphTransformer），确定了城市建筑能耗预测的最优模型。最后，利用GNNExplainer算法进行可解释性分析，量化特征重要性并可视化信号传播模式，以验证预测机制的物理合理性。结论表明：GraphTransformer在验证集上对冷却能耗预测的R2超过0.85，对加热能耗预测的R2超过0.90。可解释性分析识别出建筑高度（H）、占地面积（Area）和南向立面朝向（Angle_N-S）是关键形态特征，且南向和西向立面的阴影关系信号对预测有显著影响。该工作为城市尺度能耗分析建立了高效、可解释的替代建模框架，提供可量化、设计可操作的见解。论文发表在《Buildings》。

**主要关键技术与方法**
本研究采用以下关键技术方法（样本队列来源：武汉市硚口、江汉和江岸区285个住宅街区）：
1. **异构图构建**：通过参数化平台Grasshopper生成395个建筑分区图（BZG，反映建筑内空间关系）和建筑布局图（BLG，反映建筑间布局及周边200米内建筑），形成双层异构图。
2. **特征工程**：提取节点形态特征（如高度H、面积Area、长宽比L/W、朝向Angle_N-S、东-西距离EW_Dist、北-南距离NS_Dist）和边特征（边角度Angle_edge和边距离Distance_edge）；通过EnergyPlus基于典型气象年（TMY）数据和当地标准模拟建筑节点能耗（冷却EUI_c和加热EUI_h）。
3. **GNN模型训练与比较**：采用统一的关系特定消息传递框架，训练GCN、GraphSAGE、GAT和GraphTransformer四种算法，使用Optuna进行超参数优化，以均方误差（MSE）为损失函数，结合Huber损失和平均绝对误差（MAE）进行多目标优化。
4. **可解释性分析**：应用GNNExplainer算法，通过特征重要性评分（Sf）和边重要性评分（Se）及子图可视化进行后验解释，并开展稳定性分析和消融研究（移除BLG、BZG、关键特征及跳跃连接），验证模型结构依赖性和解释鲁棒性。

**研究结果**
**3.1 住宅街区数据集与模拟结果**
通过参数化平台Grasshopper提取了武汉市汉口地区285个住宅街区的三维建筑数据（基于SHP和DBF文件），随机分为265个街区（用于训练与测试，其中70.2%训练、29.8%测试）和20个独立验证街区。模拟得到建筑节点的冷却能耗（EUI_c）显著高于加热能耗（EUI_h），符合武汉住宅特征。

**3.2 GNN模型选择与性能评估**
**3.2.1 超参数优化结果**：使用Optuna对四种GNN编码器进行超参数优化（最小化验证MSE）。GraphTransformer达到最低MSE（0.200168），其次是GraphSAGE（0.223806），表明两者更适合异构城市街区数据集。
**3.2.2 GNN模型训练**：所有模型训练2000个epoch后，GraphSAGE和GraphTransformer在冷却和加热预测任务中均表现最佳（验证MSE为0.208–0.256和0.213–0.246）。GCN因过度平滑导致性能不佳；GraphTransformer因全局注意力机制优于GAT的局部注意力。

**3.3 GNN模型评估与验证**
在20个独立街区验证集上，GraphTransformer对冷却能耗预测的R2为0.8560（GraphSAGE为0.7129），对加热能耗预测的R2为0.9192（GraphSAGE为0.8520）。10折交叉验证显示GraphTransformer平均R2略高于GraphSAGE（冷却：0.701 vs 0.676；加热：0.749 vs 0.725）。OOF分析进一步确认GraphTransformer优势。误差空间分布分析显示：高误差（超过80%）集中在建筑核心区域节点（Core Node），且误差分布随街区布局（如南边界建筑）而变化；绝对百分比误差（APE）分析表明，高误差主要出现在低能耗节点（模拟值小），高能耗节点预测精度极高。

**总结讨论与结论**
**讨论部分**：GNNExplainer可解释性分析揭示了模型决策逻辑。节点特征重要性分析表明：对冷却预测，高度（H）和面积（Area）是关键特征，东-西位置（EW_Dist）在GraphTransformer中重要；对加热预测，高度（H）和长宽比（L/W）是关键，南向朝向（Angle_N-S）和东-西位置（EW_Dist）同样重要。这些特征与武汉“夏热冬冷”气候耦合：规模效应（体积与空调负荷正相关）和太阳辐射（南向朝向与东西布局影响阴影与得热）。边传播模式显示GraphTransformer优于GraphSAGE，能持续利用南向和西向边缘信号，更好内化物理阴影逻辑。稳定性分析表明GraphTransformer解释稳定性最高（Jaccard相似度中位数0.71）。消融实验证实BLG拓扑和跳跃连接对模型性能至关重要；去除BLG导致性能严重下降，确认建筑布局对能耗的主导影响。效率验证表明GNN模型计算时间较传统EnergyPlus减少98.8%，且数据集规模仅为其他研究的7.3%–11.6%。

**结论翻译**：
传统的城市建筑能耗替代模型常忽视空间配置和相互阴影效应，导致预测精度有限。为解决这一问题，本研究提出了一种基于GNNs的方法。通过异构图形方法，建筑形态和布局信息成功通过多级拓扑关系整合。基于265个街区的异构图形数据、节点形态特征和拓扑边特征，开发了四个GNN模型。通过20个独立街区选择了最优模型并进行了验证。最后，利用GNNExplainer分析了关键特征和消息传递机制。主要结论如下：
- **模型性能**：GNN算法能有效预测街区中建筑冷却和加热能耗。GraphTransformer表现最佳，验证MSE分别低于0.213和0.208，在验证数据集上冷却预测R2超过0.85，加热预测R2超过0.90。
- **算法比较**：由于城市数据的复杂传播模式，GNN架构表现出显著性能差异。GraphSAGE和GraphTransformer通过采样和全局注意力机制分别有效应对特征，优于其他模型。
- **误差分析**：预测误差在建筑中心节点最显著，归因于从所有周围节点传播异构信息的复杂性；且中心节点完全封闭，GNN难以仅凭周围特征预测其能耗。
- **冷却能耗重要特征**：H、Area和Angle_N-S在两个最优模型中均高度重要；EW_Dist对GraphTransformer为关键特征，表明东西布局显著影响冷却需求。
- **加热能耗重要特征**：两个最优模型主要依赖H和L/W，强调形状因子指标的重要性；EW_Dist对GraphTransformer仍为关键特征，强调东西空间分布对加热预测的影响。
- **信号传播**：GraphSAGE很少利用周围边缘信息，而更优的GraphTransformer持续使用西向和南向信号，表明来自西、南邻建筑的阴影关系是精确建筑能耗预测的关键因素。