通过Shapley Additive Explanations交互加权方法增强住宅建筑改造措施评估

《Energy Reports》：Enhancing retrofitting measure assessment in residential buildings through a Shapley Additive Explanations interaction weighting method

　　

住宅建筑改造技术的全面评估对于提高能效和可持续性至关重要。本研究提出了一种新颖的混合决策框架，将可解释人工智能（XAI）与先进的多准则评估技术相结合。该方法使用Shapley Additive Explanations（SHAP）交互矩阵来获取每个准则的权重。该矩阵报告了每个变量的直接效应以及模型产生的交互项。这些值将加权方案与数据集中记录的行为联系起来。基于相对效用和非线性标准化的评估（ERUNS）方法对改造措施进行排序。它通过非线性标准化将所有准则置于一个共同的数值尺度上，并应用一个效用规则为每个选项生成一个得分。SHAP交互权重与ERUNS评分规则的使用产生了一个与记录数据和声明的权重选择相关联的排序系统。所提出的方法论展示了每个改造选项如何响应准则的交互结构以及用于评分它们的效用规则。针对住宅建筑的案例研究展示了该方法如何在实际数据集上运作，并产生一个明确的改造措施顺序。结果显示了在给定准则和权重设置下哪些选项上升或下降。

**论文解读文章**

**研究背景**
全球建筑领域贡献约三分之一的终端能源消费和二氧化碳排放，国际能源署（IEA）预测在常规情景下至2050年这些数值将上升50%。欧盟（EU）设定温室气体减排目标（自1990年至2020年减少20%，至2030年减少40%，至2050年减少80%~95%），而现有住宅存量占据建筑能源需求最大份额，且大多缺乏现代节能措施。传统改造评估方法为各准则分配固定权重，忽视技术、经济和环境因素间的结构性交互（如互补、冲突和依赖），导致排序结果偏离实际系统行为。为解决这一问题，研究人员提出一项混合决策框架，将可解释人工智能（XAI）中的Shapley Additive Explanations（SHAP）交互矩阵与基于相对效用和非线性标准化的评估（ERUNS）方法结合，以数据驱动方式生成权重并排序改造措施。该论文发表在《Energy Reports》。

**研究方法**
本研究采用SHAP交互权重（SIW）方法从预测性机器学习模型（随机森林，Random Forest）中提取各准则的直接效应和交互项，计算正负交互分量并归一化为权重。数据来源为英国住房社区升级部（Department for Levelling Up, Housing & Communities, UK）发布的约克地区7269栋独立住宅数据集，涵盖能源绩效证书（EPC）评分、能耗、成本、燃料类型、建筑面积、建造年代等变量。随后，ERUNS方法通过非线性标准化将各准则映射到同一尺度，采用幂均聚合算子（Power Mean Aggregation Operator, p=1）合并多位决策者（DM）的言语评估（从“不关键”到“高度关键”共五级），并通过软最大（Softmax）加权构建加权标准化决策矩阵，最终计算各改造选项的评估得分（AS）以确定优劣排序。

**研究结果**

**5.1 模型性能**
随机森林模型采用分层五折交叉验证，达到准确率（Accuracy）0.864、精确率（Precision）0.862、召回率（Recall）0.864、F1得分0.859，说明模型在分类EPC评级（A~G）时误报和漏报水平相近，性能稳定。

**5.2 特征重要性**
SHAP重要性排序显示，CO₂排放每面积（C1）对模型输出影响最大，其次为当前供暖成本（C2）、主燃料（C6）等；机械通风（C7）和玻璃类型（C4）的SHAP值范围较窄，影响有限。

**5.3 特征交互**
SHAP交互矩阵揭示最强交互对为当前供暖成本（C2）与CO₂排放每面积（C1），联合效应高于各自单独贡献。低能照明（C13）与主燃料（C6）的交互也产生显著联合位移，表明能源类型与照明效率在改造评估中相互关联。

**5.4 SHAP加权与ERUNS排序结果**
通过SIW方法生成的归一化权重（ω）显示，当前供暖成本（C2, 0.2097）、CO₂排放每面积（C1, 0.1763）和低能照明（C13, 0.1590）位居前三，机械通风（C7, 0.0002）权重极低。ERUNS对8种改造包（如阁楼保温+低能照明、热泵安装+机械通风热回收MVHR等）的评估得分（AS）排序如下：热泵安装与机械通风热回收（MVHR）（A4, AS=0.7757）排名第一，内部墙体保温与LED照明及控制系统（A8, AS=0.7704）次之，阁楼保温与低能照明（A1, AS=0.4595）垫底。结果说明热泵与MVHR组合在节能和减碳方面表现最优。

**5.5 敏感性分析**
通过变化交互缩放参数γ（从0到1，β=1），发现特征C2和C1的归一化权重随γ变化波动较大，体现其强交互项；特征C3（总楼面面积）和C5（窗户能效）几乎不变，表明这些准则的权重对负交互缩放不够敏感。

**总结讨论**
SHAP交互矩阵提供数据驱动的权重量化，同时捕捉正/负交互，避免了固定权重方案对准则间依赖性的忽略，增强了模型透明度和决策者信任。ERUNS的非线性标准化和效用函数适应不同量纲和变动偏好，但SHAP计算对大数据集或高特征交互模型存在高昂开销，ERUNS参数（如δ、λ、τ）的校准影响排序稳定性。未来需优化计算效率并扩展至不同建筑类型和区域。

**研究结论**
本研究提出了一种新颖的混合决策框架，将SHAP交互加权与基于ERUNS的评估方法相结合，用于住宅建筑改造措施的评估。该框架利用可解释AI从SHAP交互结构中提取权重，这些权重反映各准则的贡献及其间交互项，从而去除主导许多多准则决策（MCDM）方案的固定权重假设，揭露能耗、成本和材料性能间的依赖关系。ERUNS程序随后对改造选项进行排序，其非线性缩放和效用函数将选项置于共同尺度，使排序与技术限制和成本条件相一致。案例研究将该方法应用于实际建筑存量，得到排序的改造选项集，结果展示了加权方案和ERUNS程序如何在观测数据上运作。仍有若干技术问题待解决：SHAP计算资源需求高，大型样本可能需要替代算法；ERUNS尚未在不同建筑类型或区域中检验，其在不同结构条件下的行为未知。本方法基于记录数据提供一组定义明确的权重，并基于陈述的性能准则提供排序过程。