综述：基于机器学习的城市建筑能源建模方法系统综述

《ENERGY AND BUILDINGS》：A systematic review of machine learning based methods for applications in urban building energy modelling

　　•基于PRISMA的用于城市建筑能源建模的机器学习方法系统综述与分类。•基于集成树的方法在各类城市建筑能源建模任务中表现出优异的性能。•对不同城市建筑能源建模研究中的验证方法及模型可迁移性进行了深入分析。•研究了用于城市建筑能源建模的混合型及物理驱动型机器学习方法。

引言
建筑物约占全球能源消耗总量的40%[1]，而城市则排放了全球70%以上的温室气体[2]。随着城市化进程的加快[3]，即便单个建筑的能源使用强度有所降低，若在整个社区或城市范围内加以汇总，也能带来显著的经济与环境效益。为助力制定科学的政策、进行能源规划以及实施有效的脱碳和气候适应策略（如建筑改造）[4]，在更大尺度上预测建筑能源消耗的方法愈发重要。因此，能够在城市尺度上高精度预测建筑能源消耗的可靠建模方法变得至关重要[5]。不过，这类方法必须考虑多种因素，比如建筑设计相关因素[6]、使用者行为[7]以及局部微气候条件[8]。

传统上，基于物理的方法被用于建筑能源性能的建模，这类方法依赖于建筑材料的热性能、人员占用情况、设备负荷等输入数据[9]。然而，将这些方法从单个建筑扩展到城市尺度时，会面临诸多挑战。例如，模拟数千座结构各异的建筑需要较高的计算复杂度；此外，整个建筑群的高分辨率输入数据、详细的建筑几何形状、建筑材料信息、人员占用时间表、微气候条件等往往较为有限。事实上，这些输入数据的不确定性很高，而且目前大多数数据集都是以城市尺度进行平均处理的，这降低了基于物理的方法所依赖的细节程度。

作为替代方案，越来越多的数据驱动型方法被用于城市尺度上的建筑能源消耗预测。这类方法无需对每栋建筑进行详尽描述，而是可以通过现有数据——如历史能源消耗数据、城市形态特征[10]、建筑几何结构[11]、社会人口统计变量[12]、气候数据[13]等——学习其中的统计规律，并将其推广到更大范围。机器学习方法具备整合多种特征的能力，还能通过非线性建模方式分析大量数据，从而发现其中的关联，这些优势为这类方法的应用提供了可能[14]。在城市建筑能源建模流程中，无监督机器学习技术，如K均值聚类，常被用于基准测试、识别特征模式（如建筑类型原型）[8]、生成能源需求曲线[15]，或是评估能源性能证书[16]。在后续步骤中，通常会运用不同类型的监督机器学习方法，例如线性回归[11][17]、支持向量回归[11][18]，以及基于树的模型（如随机森林[6]、梯度提升机[6][19]等）。所有这些监督机器学习方法都需要带有标签的预测特征数据以及与之相关的结果数据，通常是与能源消耗相关的某种指标。这类方法已被广泛用于各种预测任务，比如能源基准测试[20]、峰值负荷预测[21]、时间序列能源预测[22]，以及城市热岛效应或能源使用强度的空间分布分析[13]等。

已有许多综述总结了用于预测城市建筑能源消耗的机器学习方法[23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38]。随着机器学习技术的快速发展及其在城市建筑能源建模领域作用的不断扩大，这类综述的数量也在持续增加。Wang等人通过对2006年至2024年间265篇论文的文献计量分析发现，城市能源消耗研究正逐渐从基于物理的模拟方法转向以数据驱动、机器学习为支撑的框架[38]。一些研究进一步将现有的城市建筑能源建模方法分为自上而下和自下而上的两类[24][29][35]，或者提出将基于物理的模拟方法与机器学习技术相结合的混合流程，以此克服在可扩展性、计算时间以及数据处理方面的局限[33][34]。Li等人则总结了将基于物理的城市建筑能源建模方法与深度学习技术相结合的混合流程，这类深度学习技术包括自编码器以及各类神经网络（人工神经网络、卷积神经网络、循环神经网络和图神经网络等）[33]。Mondal等人则分析了基于物理和数据驱动的方法，并重点研究了结合城市微气候极端状况和建筑形态的短期预测混合城市建筑能源建模流程[34]。

除了方法论视角之外，近期的一些综述还探讨了机器学习在城市建筑能源建模中具体应用于哪些任务和策略。Li等人[24]和Wei等人[25]研究了提高数据精细度和时间分辨率的方法。这些研究强调了在提升城市建筑能源建模数据集和模型的空间与时间分辨率方面的进展，这使得能够针对不同类型的建筑和不同的时间尺度进行更精细的能源预测。另有研究通过应用监督学习和无监督学习技术（如聚类、分类和降维），探讨了如何定义城市建筑类型以及如何处理数据中的异质性问题[25][26]。一些综述[22][32]则强调了机器学习模型的验证[34]和校准[24][34]工作的重要性，这些工作有助于降低大规模城市建筑能源建模结果的不确定性，提升其代表性。此外，还有研究分析了将微气候和环境因素纳入建模的过程。Pasandi等人回顾了机器学习与城市气候建模的结合应用，研究了建筑运行、能源消耗与微气候之间的相互作用和影响[35]。Huang等人则利用计算流体动力学和机器学习作为替代模型，研究了多尺度城市建筑能源建模中的能源消耗与微气候之间的相互作用[37]。还有不少研究致力于为决策制定和情景分析提供支持。Di Stefano等人重点总结了在社区尺度上应用的机器学习技术，尤其是那些能够在早期设计阶段就整合数据驱动工具的简化流程[31]。Aldhshan等人则研究了地理信息系统与其他机器学习技术相结合在支持城市尺度能源规划以及可持续发展情景分析中的作用[28]。Jin等人则探讨了数据增强和开放数据集的问题，他们总结了目前可用的关于城市建筑能源的开放数据集及其数据获取方式，这些数据的时间粒度从几小时到年度不等，同时介绍了它们在能源性能与消耗分析、使用者行为研究、社会经济分析等多个与城市建筑能源建模相关的领域的应用[32]。

尽管现有的综述从多个角度探讨了建筑能源预测和城市建筑能源建模的相关内容——包括一般的数据驱动预测技术、运营能源计算方法、城市微气候相互作用、使用者行为以及可再生能源整合等[23][24][25][27][30]——但其研究范围仍然相对有限。有一些研究专门聚焦于城市尺度上的能源建模，探讨了在气候变化和极端高温条件下进行基准测试、需求分析、规划以及提升系统韧性等方面的挑战[29][33][34][35][37]。其他综述则关注了一些新兴主题，比如开放的城市能源数据集、地理信息系统与遥感技术的整合，以及人工智能支持的决策设计与分析流程[28][31][32][36][38]。这些综述涵盖了多种建模方法，包括统计模型和回归模型、人工神经网络、支持向量机、决策树、聚类技术、随机森林，以及深度学习架构（如卷积神经网络、循环神经网络、长短期记忆网络、自编码器），还有基于物理的模拟方法、混合灰箱方法，以及结合建筑能量建模与计算流体动力学或地理信息系统的集成框架[23][24][25][26][29][33][37]。

然而，尽管现有综述已经涵盖了与数据驱动型机器学习方法在城市建筑能源建模中的应用相关的诸多方面，但它们仍然局限于特定的机器学习技术类别或某些特定的城市建筑能源建模任务。考虑到不同机器学习技术在处理城市建筑能源建模任务时的优缺点，目前学术界尚未系统地全面探讨各类机器学习方法的应用情况，而这样的总结显然可以为未来的研究提供指导。此外，现有综述也较少关注机器学习驱动的城市建筑能源建模研究中所使用的验证数据集及验证流程（详见附录表A5）。

为弥补这一不足，本研究开展了一项文献综述，研究的指导问题如下：
1）在城市建筑能源建模应用中主要使用了哪些机器学习模型类别？如何将这些模型系统地归类为一个统一的分类体系？
2）混合型机器学习建模流程是如何融入城市建筑能源建模工作流的？
3）目前采取了哪些方法论措施，包括验证过程的透明度提升，来提高机器学习驱动的城市建筑能源建模方法的适用性和可靠性？
4）在推动机器学习驱动的城市建筑能源建模技术发展方面，当前最亟需解决的研究缺口是什么？未来有哪些发展机遇？

为回应上述问题，本文系统梳理了近期运用机器学习方法的城市建筑能源建模研究，并将其整理成一个分类体系，按照模型类别和对应的城市建筑能源建模任务对各类应用进行分类。该分类体系主要以机器学习模型类别作为主要分类依据，同时以城市建筑能源建模任务作为次要分类标准，以便为每项研究提供背景信息。此外，本文还介绍了城市建筑能源建模中常用的集成模型流程，总结了提升机器学习驱动的预测方法在該领域适用性的各种方法，比如输入数据的预处理方法，以及用于理解所开发模型内部工作机制的方法。本文的贡献可归纳为以下几点：（1）提供了对现有机器学习模型类别的全面分类，以及相关模型基础知识的简要介绍；（2）系统展示了不同机器学习模型类别在当前城市建筑能源建模应用中的最新案例，以及相应的集成模型流程；（3）提出了提升机器学习模型在城市建筑能源建模中适用性的方法，包括验证方法、性能评估指标以及模型可解释性提升方法。希望本综述能够为未来的研究提供指导，帮助人们找到最适合特定城市建筑能源建模任务的机器学习方法及其所属的模型类别，同时也有助于了解那些可以纳入工作流流程以进一步提升模型适用性的辅助方法。