《Journal of Advanced Research》：Optimizing energy efficiency and occupant comfort in smart buildings using SMOTE-augmented deep learning approaches
编辑推荐：
建筑与施工行业是能源的主要消耗者，也是温室气体排放的重要贡献者，这凸显了对智能、节能和可持续建筑系统的需求。尽管深度学习技术在热舒适预测和建筑能源管理方面展现出强大潜力，但现有研究仍受限于局部实验设置、类别不平衡以及缺乏对高级深度学习模型的比较评估，限制了其实
建筑与施工行业是能源的主要消耗者，也是温室气体排放的重要贡献者，这凸显了对智能、节能和可持续建筑系统的需求。尽管深度学习技术在热舒适预测和建筑能源管理方面展现出强大潜力，但现有研究仍受限于局部实验设置、类别不平衡以及缺乏对高级深度学习模型的比较评估，限制了其实际应用性。本研究旨在通过解决类别不平衡问题并提高预测准确性，开发一个鲁棒的深度学习框架，以优化能源效率和居住者热舒适。研究人员开发了一个统一框架，包含数据可视化、缺失值处理、标签编码、特征归一化和合成少数类过采样技术（SMOTE）。多个深度学习架构，包括深度神经网络（DNN）、深度扁平DNN、双向长短期记忆网络（Bi-LSTM）和基于注意力的LSTM（Attention-based LSTM），被进行了比较评估。该框架的创新之处在于将基于SMOTE的类别平衡与多个深度学习架构的比较评估集成在一个统一的预测框架中。基于注意力的LSTM模型达到了最高的热舒适预测准确率91%，优于Bi-LSTM（89%）、深度扁平DNN（88%）和DNN（87%）。该模型在精确率、召回率和F1分数上也取得了更优性能，在相同数据集上比之前报道的图神经网络（GNN）模型提高了8个百分点。所提出的SMOTE增强框架提高了热舒适预测的准确性和鲁棒性，为智能、节能和可持续的建筑能源管理提供了有效解决方案，具有强大的实际应用潜力。
论文解读文章
智能建筑作为现代可持续基础设施的重要组成部分，旨在比传统建筑更高效地运行，减少环境足迹并提升居住者生活质量。然而，建筑行业约占全球能源消耗的30%和全球建成环境的40%，因此提高能源效率并确保居住者舒适度成为智能建筑管理的核心目标。现有研究在热舒适预测方面存在若干局限：多数研究基于局部实验设置，缺乏对多气候区域数据的泛化能力；数据集常存在类别不平衡问题，导致模型对少数类别的预测性能不佳；此外，对高级深度学习模型的比较评估不足，限制了实际应用中的模型选择。为解决这些问题，研究人员提出了一种基于SMOTE（合成少数类过采样技术）增强的深度学习统一框架，旨在通过综合预处理、类别平衡和多种架构的比较，提高热舒适预测的准确性和鲁棒性。该论文发表在《Journal of Advanced Research》。
研究人员利用ASHRAE RP-884数据集（来自全球160个建筑地点，包含56个特征和12,595条记录）开展研究。主要关键技术方法包括：数据预处理（缺失值均值填充、基于Z-score的离群点剔除、标签编码、特征标准化）、SMOTE类别平衡、分层数据分割（80%训练集，20%测试集），以及构建和比较四种深度学习架构：深度神经网络（DNN）、深度扁平DNN、双向长短期记忆网络（Bi-LSTM）和基于注意力的LSTM（Attention-based LSTM）。样本队列来源为ASHRAE RP-884项目，涵盖多种气候区域和建筑类型。
研究结果如下：
4.1 评估指标：研究人员采用准确率、精确率、召回率、F1分数、混淆矩阵和受试者工作特征（ROC）曲线及曲线下面积（AUC）来评估模型性能。
4.2 分类模型结果：基于注意力的LSTM模型取得了最高准确率91%，优于Bi-LSTM（89%）、深度扁平DNN（88%）和DNN（87%）。在类别0（中性）上，注意力LSTM的精确率为0.96，召回率为0.78，F1分数为0.86；在类别1（不舒适-冷）和类别2（不舒适-热）上，F1分数分别达到0.94和0.93，召回率分别为0.97和0.98，表明该模型在多数类别上表现平衡且高效。Bi-LSTM在类别0上召回率较低（0.73），F1分数为0.82；深度扁平DNN和DNN在类别0上的F1分数分别为0.83和0.80，均低于LSTM基模型。混淆矩阵显示，注意力LSTM正确分类了1085个类别0样本、1344个类别1样本和1359个类别2样本，误分类较少。ROC曲线分析显示，注意力LSTM对类别0的AUC为0.95，对类别1和2的AUC均为0.98，表明模型具有高敏感性和特异性。
4.4 与传统方法比较：与先前研究相比，基于同一ASHRAE数据集，集成模型准确率为70%，图神经网络（GNN）模型准确率为83%，而所提出的注意力LSTM模型达到91%，显著优于这些方法。这归因于SMOTE类别平衡和注意力机制与LSTM的结合，使模型能够聚焦于最具信息量的特征并学习复杂依赖关系。
4.5 讨论与局限性：尽管注意力LSTM取得了最佳性能，但训练过程中出现了轻微过拟合迹象：验证损失在40轮后略有上升，而训练准确率持续增加。深度扁平DNN也显示出验证损失波动。基线模型（DNN 87%、深度扁平DNN 88%、Bi-LSTM 89%）准确率较低，表明注意力LSTM更有效地捕获了热舒适模式。此外，ASHRAE RP-884数据集并非传统时间序列数据，而是来自不同建筑的调查和环境记录，因此LSTM模型用于学习特征间的关系而非长期时序依赖。未来需要采用更多正则化技术（如dropout或L2正则化）和提前停止来缓解过拟合，并在更多实际场景中验证。
研究结论部分翻译：本研究开发了一个统一的深度学习框架，用于热舒适预测，通过集成综合预处理流程、基于SMOTE的类别平衡以及多种深度学习架构的比较评估，利用ASHRAE RP-884数据集。与先前主要关注单一深度学习模型的研究不同，所提出的框架结合了综合预处理、SMOTE类别平衡以及对DNN、深度扁平DNN、Bi-LSTM和注意力LSTM的系统比较。注意力LSTM模型以91%的准确率优于其他模型，展示了其建模依赖关系的能力和通过注意力机制聚焦重要特征的优势。SMOTE在预处理流程中的集成改善了类别表示，并通过缓解类别不平衡促进了更稳定的预测性能。然而，混淆矩阵中各类别准确率存在微小差异，表明合成过采样算法可能无法完全再现少数类别的分布多样性。由于该框架仅使用单一基准数据集进行评估，其在不同建筑类型、气候区域和居住者群体中的适用性需要更多实际数据集验证。未来工作将关注使用更大、更多样化的实际数据集，并探索高级类别平衡技术、可再生能源相关特征、自适应学习和异常检测机制，以进一步提高预测鲁棒性和实时建筑能源管理。
