解决热舒适性评估中的数据稀疏问题:基于大型语言模型的动态约束松弛框架
《BUILDING AND ENVIRONMENT》:Addressing data sparsity in thermal comfort evaluation: A dynamic constraint relaxation framework using large language models
【字体:
大
中
小
】
时间:2026年08月13日
来源:BUILDING AND ENVIRONMENT 8.4
编辑推荐:
摘要:随着建筑运营越来越注重以使用者为中心的环境设计,传统的确定性热舒适度模型(如PMV–PPD)仍难以体现个体差异以及日常表述中的模糊性。本文提出了一种基于智能检索增强生成技术的框架,用于概率性热舒适度评估。该框架将使用者的需求与软件端的输入转化为统一的语义表示,并借助动态约束
摘要:随着建筑运营越来越注重以使用者为中心的环境设计,传统的确定性热舒适度模型(如PMV–PPD)仍难以体现个体差异以及日常表述中的模糊性。本文提出了一种基于智能检索增强生成技术的框架,用于概率性热舒适度评估。该框架将使用者的需求与软件端的输入转化为统一的语义表示,并借助动态约束松弛技术,结合柯本气候分类法与经济指标,从稀疏数据中筛选出具有统计意义的群体。随后,通过沙箱化的代码代理处理这些数据,生成各群体的热感觉概率质量函数。通过案例分析,该框架能够直接从稀疏的现场数据中重建出具有季节差异的群体特异性舒适度分布,且对于所研究的特定群体而言,固定的温度设定可能并不符合其实际的舒适度峰值。在一个典型的需求响应案例中,该框架展示了适度提高温度设定值即可带来显著的冷却能耗节约,同时相对舒适度水平仍保持较高,从而体现了该框架在决策支持方面的潜力,而非仅能提供经过验证的能耗数据。总体而言,该框架实现了不同类型输入数据的整合、稀疏数据的有效检索,以及面向建筑管理系统和以人为中心的数字孪生的概率性决策支持。
引言:在以使用者为中心的建筑运营中,室内热舒适度已与能源效率同等重要,而不再仅仅是次要约束条件。诸如PMV–PPD这类经典的稳态指标依然是标准制定和基础控制的重要依据,但它们仅能在严格限定的物理条件下反映平均使用者的状况,因此难以体现个体差异、适应能力以及使用者在描述自身舒适度时的模糊表达[1] [2] [3] [4] [5] [6]。随着人-建筑互动逐渐成为能源管理系统中的核心要素,这种局限性愈发重要,因为在能源管理系统中,舒适度反馈应能影响控制决策,而非仅在事后用于诊断问题[7] [8]。然而,主要的技术挑战不仅在于如何建模舒适度,还在于如何为特定的群体获取足够的相关实证数据。像ASHRAE全球热舒适度数据库II这样的大型实地数据库大大丰富了热舒适度分析的实证基础[9],但其覆盖范围在气候、建筑类型、季节以及人口统计特征方面仍存在不均衡。系统分析表明,PMV模型的准确性在现实世界的实地数据中会大幅下降,不同气候群组之间的差异依然明显,而且人口统计字段往往不完整或缺失[10] [11] [12]。因此,基于多重约束条件的精确匹配过滤很快就会导致只能得到极小或为空的群体。正是这种结构性的数据稀疏性成为了本研究的核心技术动因,因为除非目标群体或可替代群体拥有足够的观测数据,否则就无法可靠地进行概率性舒适度评估。除了数据库本身之外,实际处理舒适度查询还会带来更多复杂性,因为同一个检索系统需在同一工作流程中同时服务于人类用户和上游软件。在实际的建筑信息学工作流程中,同一系统必须同时响应非结构化的使用者反馈和结构化的软件请求。上游的仿真引擎、数字孪生系统以及建筑管理系统服务可能会发送参数化的请求,而使用者则会提出与具体情境相关的需求,比如“比昨天稍暖一些”或“适合该房间内老年人的舒适温度”。传统的API、硬编码的查询模板以及关系型查询语言并未设计用于在单一语义管道中整合这些不同的调用方式,尤其是在面对不完整、比较性或模糊的输入时更是如此[13] [14]。另一个推动因素来自需求响应和灵活的暖通空调控制。在用电高峰期间,操作人员往往会降低制冷温度设定值以减少负荷,但舒适度的影响通常仍被简化为二元的合格/不合格阈值或固定的温度偏移量,而非基于群体层面的概率分布[15] [16] [17]。换言之,一个数据驱动的框架不仅应能支持回顾性的舒适度查询,还应能提供针对特定群体、兼顾风险因素的温度设定建议。在此背景下,大型语言模型与智能检索增强生成技术为将不同类型的请求与结构化及非结构化知识源的多步骤检索相结合提供了一种实用方案[18] [19] [20] [21]。不过,若要应用于热舒适度管理,这类系统还需超越简单的流畅响应生成,进而解决数据结构稀疏的问题,并输出对控制决策有用的概率结果。这些需求也正是本研究开展的动机所在。热舒适度研究最初源于PMV–PPD这类确定性热平衡公式,这类公式至今仍是标准制定和控制基准的基础[1] [2]。为了解决PMV模型无法完全体现的情境适应性问题,后来人们基于大规模的实地数据集和自然通风建筑开发出了适应性舒适度模型[3] [4]。更为近期的个人舒适度模型和以使用者为中心的推理方法则进一步表明,舒适度预测必须考虑个体差异、非线性相互作用以及用户偏好的变化[5] [6] [22]。随着大型实证数据库的不断完善,ASHRAE全球热舒适度数据库II已成为跨情境舒适度分析的关键资源[9]。Cheung等人利用该数据库发现,PMV模型仅在大约三分之一的情况下能准确预测实地的热感觉,而Du等人在中国的一个大型舒适度数据库上也观察到了类似的局限性[10] [11]。除整体准确性问题外,Parkinson等人还指出,即便经过扩展,该数据库的人口统计字段仍然不完整[12]。这些研究共同揭示了大型舒适度数据库的价值,同时也指出了精确匹配子群体分析存在的结构性局限。在人-建筑互动相关研究中,近期的一些综合研究表明,结合人类因素、传感技术以及自适应运行逻辑的研究正在不断增多[7] [8]。然而,许多实际应用仍是将优化模块与交互模块分开设计的。能够整合对话式输入、实证舒适度检索、以控制为导向的决策支持,并且还能应对检索阶段数据稀疏问题的端到端系统仍然十分少见。从确定性热舒适度建模向概率性建模的转变并非依赖于大型语言模型技术,而是独立发展的。Langevin等人最早提出了基于贝叶斯的框架,该框架能够同时估计热感觉、可接受度以及偏好分布,从而将舒适度视为概率分布而非单一的标签值[23]。Lee等人后来开发了用于构建个性化热偏好档案的贝叶斯推理方法,并证明将此类档案整合到模型预测控制系统中,相比固定温度设定控制,可降低28%至35%的能源消耗[24] [25]。最近,Lim等人将不同的热感觉评分方差视为热条件函数,而Zhang等人则利用贝叶斯元学习技术,根据有限的个体反馈来定制舒适度模型[26] [27]。这些研究都表明,概率性舒适度建模已经是一个有价值的研发方向;不过,它们都隐含了一个前提,即目标群体拥有足够的训练数据。这一限制对于灵活的建筑控制而言尤为重要。需求响应研究显示,虽然降低固定温度设定值的做法较为普遍,但其对舒适度的影响往往只被粗略地量化[15]。近期的一些研究将使用者的容忍度视为空调系统中可利用的多种灵活控制资源之一[16],而仿真研究则表明,使用者的自主调整行为可能会部分甚至完全抵消预期的需求响应节能效果[17]。综上所述,需求响应优化需要建立一种在群体层面舒适度分布与通过调整温度设定所能实现的节能效果之间的定量关联。目前仍缺乏一种端到端的框架,能够在所查询的群体数据本身十分稀疏的情况下仍能恢复出这样的分布。需要指出的是,现有的概率性舒适度模型(如贝叶斯模型)解决的是另一个互补问题,即如何在已有足够群体数据的基础上对舒适度进行建模[23] [24] [27]。它们依赖的正是我们检索阶段试图获取的数据,因此无法与此处针对稀疏查询进行的评估直接对比;本项研究中的比较则是以两种模型都试图改进的确定性PMV模型作为基准。随着基础模型的快速发展,用自然语言编程来实现技术工作流程变得越来越可行。通用大型语言模型在推理能力和指令遵循能力方面表现优异,这些能力可被应用到工程任务中[28] [29] [30]。在建筑模拟领域,这一趋势使得系统能够将文本意图转换为EnergyPlus输入文件、参数集以及分析脚本等结构化内容,从而减少了手动建模的工作量[13] [19]。除了单次生成功能外,大型语言模型越来越多地被用作数字孪生生态系统中的协调层,负责在不同工具之间协调数据访问、仿真调用以及结果解释等工作[18] [31]。像ThermalComfortBot和BuildingGPT这样的最新原型表明,通过对话方式访问建筑知识库是可行的[20] [21]。不过,它们的输入处理流程主要是为自然语言交互而设计的,并未对结构化的软件请求进行统一标准化处理,也未在下游舒适度推断之前解决检索阶段的稀疏性问题。RAG技术最初是一种“先检索再生成”的模式,它将语言生成基于外部知识库来实现[32]。此后,随着推理提示和工具增强规划技术的发展,包括思维链方法和ReAct(推理与行动)方法,人们发现多步骤分解能够提升复杂查询的事实一致性及任务完成率[33] [34]。与此同时,Self-Refine和Reflexion这类反思型智能体也证明了基于大型语言模型的系统能够对中间输出结果进行评估,并采取改进策略重新尝试[35] [36]。关于智能检索增强生成技术的综述还表明,通过在向量存储、结构化数据库以及外部API之间实现动态路由,能够显著提升系统在面对稀疏数据时的稳定性,优于静态检索流程[37]。即便如此,对于约束条件过于严格的舒适度查询,也不能随意放宽限制,因为替代群体必须在生理和运行特性上具有相关性。现有的自我纠正型智能体虽能改善重试行为,但它们并未制定出明确的、基于状态的分析框架,用于在数据结构稀疏的情况下合理放宽约束条件,也无法将稀疏数据检索直接与概率性舒适度合成相结合。这些不足促使人们研究基于图结构的 Workflow模型,在该模型中,约束条件的放宽被视为一个明确的决策过程,而非临时的权宜之计。尽管以往的研究已经在热舒适度建模、面向建筑的大型语言模型应用以及智能检索技术方面取得了进展,但现有文献仍缺乏一种集成化的流程,能够在数据稀疏的情况下,将模糊的用户需求转化为具有统计依据、且对控制决策有指导意义的舒适度建议。基于上述分析,核心的研究缺口可归纳为以下几点:•缺乏适用于不同类型调用方式的统一语义接口。现有的系统通常要么侧重于自然语言对话处理,要么专注于结构化软件查询。虽然ThermalComfortBot和BuildingGPT之类的对话系统提升了自由形式的交互能力,但其输入处理流程并未设计用于将使用者的自然语言对话与结构化的仿真或建筑管理系统请求统一到一个语义框架中[14] [20] [21]。•在数据结构稀疏的情况下,缺乏基于领域特性的约束条件放松机制,导致系统无法正常工作。当查询同时涉及气候条件、建筑类型以及人口统计特征等多重约束时,精确匹配检索很快就会导致只能得到极小或为空的群体。现有的自我纠正型智能体虽能尝试采用新的策略重新检索,但它们缺乏基于领域特性、具备状态感知能力且可解释的约束放松策略,因此随意放宽约束可能会导致检索到在气候或社会经济特征上不匹配的替代群体。•概率性舒适度建模与检索阶段数据稀疏性之间存在脱节。贝叶斯模型和随机模型已经证明了概率分布在个性化定制和控制应用中的价值[23] [24] [25] [26] [27],而需求响应研究也表明,量化使用者的容忍度对于实现灵活的电网适配型暖通空调系统至关重要[15] [16] [17]。然而,这些方法仅解决了在数据充足的情况下如何建模舒适度的问题,而并未探讨在目标人群与气候条件的交叉组合在结构上较为稀疏时,如何获取足够的群体数据。因此,创新点并不在于单独发展概率性舒适度建模技术,而在于将稀疏数据检索、替代群体识别以及概率性舒适度合成整合到一个统一的智能工作流程之中。正是这些关键性缺口推动了本研究的发展,我们的架构设计围绕三大端到端功能展开:多源非结构化意图解析(灵活输入)、自适应且具有自我纠正功能的群体检索(灵活查询),以及以概率敏感性为依据的舒适度评估(概率输出)。为了解决上述问题,本研究做出了四项贡献,这些贡献共同构成了从多样化需求到稀疏数据检索,再到以控制为导向的概率决策支持的完整流程:•一种适用于不同类型调用方式的统一语义接口。我们设计了一个灵活的输入层,能够同时处理非结构化的使用者自然语言输入以及结构化的上游仿真或建筑管理系统请求,并将两者统一为标准的查询格式,从而实现一致的意图解析和后续处理。•一种针对数据结构稀疏情况的、基于领域特性的检索工作流程。我们将群体检索和约束条件放松过程定义为一种具有状态感知能力的智能代理流程。当精确匹配的记录不足时,该框架会利用辅助的气候和社会经济数据,逐步识别出具有统计意义、且其舒适度基准已通过实证验证的替代群体。•一种从检索到概率生成的群体级舒适度推断流程。所提出的框架能够将检索到的舒适度数据转换为群体层面的热感觉概率分布及温度敏感性估算值,从而在单一的端到端流程中将稀疏数据检索与概率性舒适度评估相结合。•一条面向实际建筑运营的控制集成路径。我们提供了一种管道架构,该架构既能输出人类可读的解释,又能提供机器可读的控制参数,从而使得到的群体级分布能够支持实时建筑工作流中的仿真耦合、基于风险的目标值推荐以及需求响应灵活性分析。这些功能共同构成了一种“灵活输入、灵活查询、概率输出”的工作流程,可将模糊且数据稀少的热舒适度需求转化为有统计依据的决策支持。我们还进一步明确了本研究的范围。本研究的核心贡献在于实现语义交互和稀疏数据检索的功能,从而生成群体级的概率舒适度分布;后面提到的需求响应和节能数据仅用于说明这些分布如何为控制决策提供参考。这些数据源自一种用于说明目的的能量敏感性替代模型,而非建筑性能仿真或实际运行数据,因此属于示意性估算,而非经过验证的节能效果。通过仿真耦合或实地测量来对能源效益进行精确量化超出了当前研究范围,暂定为未来的工作内容。同样,案例研究中观察到的季节性差异实际上反映了文献中已有记载并体现在ASHRAE实地数据中的自适应舒适效应;我们将其作为证据,表明检索与松弛处理流程能够从稀疏查询中提取出具有物理意义的结构,而非关于热适应性的新实证发现。
整体系统架构
图1总结了所提出的三部分架构,包括交互层、智能模块和数据模块。这些组件通过四个智能体、两个数据存储、一个循环调度图以及一个隔离的代码执行节点,实现了本文提出的三大功能——灵活输入、灵活查询和概率输出。交互层负责接收使用者的自然语言请求,以及来自数据库等上游软件的结构化查询。
数据库构建
本研究以ASHRAE全球热舒适度数据库II[9]作为热舒适度评估的实证基础。该数据库包含了来自世界各地的大量真实热舒适度实地调查数据。如图5所示,这些数据在地理和气候方面具有极大的多样性。大多数数据来自英国、印度和美国,这几个地区的样本量相对较大。
系统稳健性与松弛动态
在全部评估数据中,该管道所有查询均成功完成,没有出现执行失败的情况(完成率为100%),并且79.1%的查询得到了非空的群体结果;其余18.2%的查询即使在经过充分松弛处理后仍无结果,这体现了无论如何调整都无法克服的数据稀疏性问题。所获取的群体大小中位数为10(四分位数范围为2–24),反映了查询集的不同难度水平。
结论
本研究将稀疏数据检索与概率热舒适度评估整合到了同一个基于智能体RAG-LLM的框架中。主要的实证发现如下:约束松弛实验表明,ASHRAE全球热舒适度数据库II中的结构数据稀疏现象十分普遍,并非个例。在默认的操作阈值下,36个受控测试查询中没有任何一个能够仅通过精确匹配检索得到满足,38.9%的查询需要借助其他方法。
CRediT作者贡献声明
王哲超:写作——审稿与编辑、写作——初稿撰写、可视化、软件、方法论、研究、形式分析、数据整理。冯帆:写作——审稿与编辑、项目管理、研究、概念设计。庞志红:写作——审稿与编辑、监督、资源协调、项目管理、方法论、资金获取、概念设计。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
王哲超|冯帆|庞志红
Bert S. Turner,美国路易斯安那州巴吞鲁日市建筑管理系
生物通微信公众号
生物通新浪微博
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