综述:个性化还是实用性?对用于室内热舒适度评估的机器学习与基于指标的模型的批判性分析

《BUILDING AND ENVIRONMENT》:Personalized or pragmatic? A critical review of machine learning and metric-based models for indoor thermal comfort estimation

【字体: 大 中 小 】 时间:2026年08月07日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  摘要 热舒适度建模在设计节能且以使用者为中心的建筑物中起着关键作用。近年来,机器学习、传感技术以及行为识别方面的进步,推动了基于数据的个性化模型的快速发展,这些模型旨在提升预测精度与适应性。本综述总结了自最新综合性综述以来,基于机器学习的熱舒适度建模领域的最新进展,重点探讨了

  摘要
热舒适度建模在设计节能且以使用者为中心的建筑物中起着关键作用。近年来,机器学习、传感技术以及行为识别方面的进步,推动了基于数据的个性化模型的快速发展,这些模型旨在提升预测精度与适应性。本综述总结了自最新综合性综述以来,基于机器学习的熱舒适度建模领域的最新进展,重点探讨了数据集特征、输入输出结构以及算法策略。需要注意的是,基于机器学习的熱舒适度模型虽具备个性化优势,却往往因数据集规模小且不统一、泛化能力有限,以及精细预测与现有集中式暖通空调系统功能之间的差距而面临挑战。为应对这些限制,本综述还重新审视了基于指标的熱舒适度模型,尤其是预测平均投票值及其衍生模型,由于其热力学稳定性、透明度以及与现有建筑基础设施的兼容性,这类模型在实际应用中仍占据主导地位。通过分析16年间的相关文献,我们研究了传感集成、动态参数估计以及数据增强型指标模型的改进,这些改进提升了传统方法的灵活性与精确度。通过整合两种建模范式的进展,本综述明确了个性化与可部署性之间的权衡,并指出了未来朝着可扩展、可解释且以控制为导向的熱舒适度解决方案发展的方向。这些研究结果为那些希望在节能与提升人类福祉双重目标下推进熱舒适度建模的研究人员与从业者提供了有益参考。

引言
熱舒适度建模是设计以使用者为中心且节能的建筑物的重要基础,它直接影响人类的福祉与工作效率[1][2]。此外,建筑物约占全球能源消耗的30%,其中暖通空调系统则占据了这一需求的一半[3][4]。因此,准确建模与管理室内熱舒适度已成为向更智能、更可持续的建筑环境过渡过程中的核心任务。

传统上,熱舒适度是通过基于指标的模型来评估的,最著名的是预测平均投票值和不满人数百分比,这些模型已在ASHRAE 55[5]和ISO 7730[6]中得到标准化。这些模型根据六个明确的输入变量来量化舒适度:空气温度、相对湿度、平均辐射温度、空气流速、服装隔热系数以及代谢率[7]。由于它们的可解释性以及与现有暖通空调控制系统的兼容性,这类模型在许多建筑应用中被广泛采用。然而,越来越多的证据表明,这些模型存在局限性,尤其是在瞬态条件下、个性化需求以及行为适应方面[8][9]。这些局限性的主要原因在于个人因素(如服装隔热系数和代谢率)被视为静态值,因为难以实时测量。鉴于个人变量对预测平均投票值的结果影响最大[10],这种简化方式会降低模型的精确度。

为应对这一问题,学术界越来越多地转向机器学习,以开发基于数据的熱舒适度模型。通过整合多种数据源(如生理信号、环境线索以及主观反馈),这类方法通常基于个体数据进行分析,从而提升个性化程度与预测精度[11]。实验评估通常显示,机器学习模型的性能优于传统指标模型[12]。因此,一些最新的综述文章从算法选择、特征选择以及传感器技术等方面总结了基于机器学习的舒适度建模的进展[13][14][15]。不过,这些综述大多仅涵盖截至2021年的文献,未能涉及最新的深度学习方法,如Transformer模型[16],也忽视了对现实世界数据适用性的关键评估,尤其是在测量负担、用户隐私以及数据集可重复性方面。

除了文献中的这些空白之外,深入分析后发现,尽管基于机器学习的模型具有出色的预测能力,但它们仍面临若干实际限制。首先,数据收集工作耗时费力、可能侵犯用户隐私且难以大规模开展,从而导致数据集不平衡且缺乏代表性。其次,不同研究之间建模输入的差异较大,使得基准测试变得复杂,再加上先进算法的“黑箱”特性,使得建筑运营人员无法获得实现自动控制所需的一致性与可解释性。第三,个性化模型所提供的精细预测在大多数建筑中难以直接应用,因为现有的暖通空调系统通常是按区域设计的,并非为个体级控制而打造[17]。因此,人们越来越担忧,机器学习模型带来的复杂性是否真的能转化为实际的性能提升,尤其是在当前基础设施条件受限的情况下。

相反,基于指标的模型方面的最新发展则为可扩展的舒适度建模提供了另一种路径。传感技术与数据分析的进步使得能够实时或动态估算服装隔热系数和代谢率等个人因素[18][19][20],同时也有研究提出通过经验系数或数据驱动的修正方法来改进模型在不同条件下的准确性[21][22]。这些改进,加上预测平均投票值本身具备的可解释性以及基于群体的结构特点,使其在当今的集中式暖通空调环境中更具应用潜力。然而,这些创新在最近的文献中得到的关注较少,因为相关研究往往更侧重于机器学习带来的个性化优势,而非实际应用层面的可行性。

为探讨这两种不同的方法,本综述提出了一个双视角框架,用于评估和比较近期在熱舒适度建模方面的进展。具体而言,我们首先在已有综合性综述[13]的基础上,系统分析2021年9月之后发表的基于机器学习的研 究,重点考察数据集规模与开放程度、输入输出结构以及建模算法等方面的发展趋势;其次,回顾2010年至2026年这16年间基于指标的模型,尤其是预测平均投票值及其衍生模型。我们从数据集开放性、传感侵入性、算法与方法论结构以及最终的可部署性等方面,对这两种建模范式进行系统比较。特别强调的是,要理解个性化、可解释性以及可扩展性之间的权衡,这三者正是可持续舒适度建模的核心要素。

与以往的综述不同,本研究在重视新兴机器学习方法创新潜力的同时,更注重其与现有建筑系统的实际适配性。本综述的主要贡献如下:
(1) 对基于机器学习的舒适度建模的最新进展进行了全面总结,重点介绍了多模态传感、监督学习与多任务学习,以及利用生理与环境数据实现动态个性化等方面的进展。
(2) 对基于指标的建模方法(主要是预测平均投票值及其衍生模型)进行了重新评估,分析了其稳态假设、与现有暖通空调系统的整合方式,以及包括动态输入估算和模型结构改进在内的最新发展。
(3) 指出了当前研究中的关键缺口,并提出了一种混合建模框架,该框架将机器学习的先进感知能力与基于指标的模型的热力学可靠性相结合,以实现可扩展的、以使用者为中心的控制。

为系统实现上述目标,从文献综述转向深入评价,本综述采用了如图1所示的双视角分析框架。该框架并非孤立地评估各种模型,而是从机器学习与基于指标的两种范式中提取方法学特征,分析它们各自面临的独特障碍,并结合现实应用中的实际约束对这些发现进行综合分析。基于这一总体方法论,本文的其余部分安排如下:第2节阐述文献筛选方法,包括数据库搜索策略、纳入标准以及综述范围;第3节介绍基于机器学习的舒适度模型的研究成果;第4节回顾基于指标的模型,重点分析预测平均投票值/不满人数百分比方法及其现代衍生物的发展与完善过程;第5节进行对比总结,并指出未来的研究方向;第6节则对全文进行总结,阐述对该领域的重要启示与实践意义。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号