利用多智能体大语言模型进行人员行为模拟以预测公共建筑设计初期能耗

《BUILDING AND ENVIRONMENT》：Predicting public building energy consumption in the early design stage using a multi-agent LLM for occupant behavior simulation

　　

摘要：准确的设计阶段建筑能耗预测对低碳设计至关重要，但其可靠性受限于设计信息不完整以及简化的用户行为假设。本研究提出了一种面向公共建筑的设计阶段能耗预测框架，并以医院门诊楼为实例进行了验证，该框架整合了基于BIM的布局信息、基于场景的环境变量、AI智能体生成的用户行为数据以及数据驱动的预测模型。AI智能体生成了门诊行为日志，从中提取了时间、空间、服务流程、交互及能耗相关的行为变量。在统一评估设置下对比了六个基准模型，分别为多元线性回归（MLR）、随机森林、XGBoost、TLBO-ANN、Transformer和TFT。时序融合变换器（TFT）表现最优，MSE为69,400 kWh2，MAE为181 kWh，MAAPE为0.052，R2为0.933。AI智能体生成的行为变量改进了全部六个模型，MAE降低了12.3%–14.6%，R2提升了0.018–0.039。在仅保留设计阶段信息、排除运行衍生预测变量的设置下，TFT仍为表现最佳的模型，MAE为195 kWh，R2为0.889。敏感性分析表明，时间占用率、暖通空调使用时长、分区级占用率和服务流程变量是主要驱动因素。该框架支持医疗类公共建筑的设计阶段能耗预测，而推广至更广泛的公共建筑应用则需要对AI智能体的行为规则进行适配。

引言：在全球能源需求持续上升和碳减排要求日益严格的背景下，提高建筑行业的能源效率并减少排放已成为实现碳中和目标的关键所在[1]、[2]。建筑在其全生命周期中消耗大量能源，其中供暖、制冷、通风、照明和设备运行等运营能耗占总能耗的主要部分[3]。在商业建筑层面，Ding等人[4]进一步强调了人工智能在减少建筑能耗和碳排放方面的潜力。因此，降低运营能耗、提高建筑能效不仅有助于缓解能源压力，还有助于减少温室气体排放，促进城市可持续发展。

与设计阶段的控制与优化相比，设计阶段的能耗预测具有更大的前瞻性和决策支持价值[5]。设计阶段能耗预测可以为建筑形态设计、内部空间组织、围护结构配置和被动设计策略提供定量依据，从而使设计师能够在早期识别潜在的高能耗问题并优化设计方案[6]。例如，Ghorbany等人[7]利用机器学习和深度学习研究了被动设计指标，而Ertosun Yildiz和Beyhan[8]根据建筑围护结构设计参数预测了制冷负荷。由于设计阶段决定了影响后续建筑性能的基本特征，早期设计能耗预测已成为建筑性能分析和低碳建筑设计中的重要研究课题[2]、[3]、[5]。

目前，建筑能耗预测的主流方法主要包括物理模拟方法、数据驱动机器学习方法以及结合两者优势的混合方法[1]、[2]。Olu-Ajayi等[9]系统回顾了建筑能耗预测中的统计和AI工具，展示了智能预测方法在该领域日益增长的重要性。基于物理的方法通常依赖于建筑几何形状、围护结构热性能、气象边界条件和运行设置等相对完整的信息，并通过模拟传热和热过程来估算建筑能耗[5]。这些方法具有较高的可解释性[2]。相比之下，数据驱动方法学习建筑相关特征与能耗之间的映射关系，能够实现快速预测，并在处理复杂非线性关系方面表现出强大潜力。Cho和Kim[10]表明不同的数据采集水平会影响建筑能耗性能评估，Liu等[11]开发了住宅用电预测的混合模型。近年来，研究者们采用了集成学习[12]、双优化深度学习框架[13]和大语言模型导向的数据驱动框架[14]，表明建筑能耗预测正朝着更加灵活和智能的建模范式发展。

尽管取得了上述进展，现有方法在应用于建筑设计阶段时仍面临重大局限[2]、[5]。首先，设计期间通常无法获得实际运行数据，许多关键输入参数因此必须通过经验假设或标准化设置来近似[5]、[15]。其次，新建建筑没有历史实测能耗数据，这限制了许多数据驱动方法的直接应用[2]、[6]。更重要的是，实际建筑能耗不仅取决于建筑物理特征，还取决于内部空间布局和用户行为[16]、[17]、[18]。Chen等[16]表明用户行为可能对建筑能耗产生显著影响，强调不应忽视行为不确定性。内部布局影响功能分区、气流路径、采光和热组织，而人员在场情况、设备使用、开窗行为和恒温器偏好进一步塑造了实际能耗需求[19]、[20]。然而，在设计阶段，这些关键因素很难被准确表征，尤其是用户行为，其本质上是动态的、随机的和异质的[17]、[18]。这一挑战已成为提高设计阶段建筑能耗预测精度的主要障碍。

在建筑设计阶段，内部布局信息通常在一定程度上可获得，并可通过建筑信息模型（BIM）有效表征[15]。借助BIM，早期设计方案的空间组织、功能分区及相关环境特征可以结构化表达，从而为设计阶段建筑能耗预测提供重要输入依据[6]。然而，仅依赖建筑属性和物理特征仍然不足以准确反映未来的运营能耗性能，因为建筑能耗还受到用户行为的强烈影响[16]、[17]。现有研究通常使用固定日程表、标准化行为模板或简化的统计假设来表示用户行为[18]。虽然这些方法便于实施，但它们无法捕捉用户活动的时间动态性、上下文依赖性和个体差异性，这可能导致预测与运行期间实际能耗性能之间的偏差[17]、[19]、[20]。因此，数据可用性和行为表征是两个需要在早期预测中共同解决的耦合问题。

同时，神经网络模型在捕捉建筑能耗与多个影响因素之间复杂非线性关系方面展现了强大能力，使其成为设计阶段快速能耗预测的有前景的解决方案[8]、[21]、[22]。然而，这些模型的性能高度依赖于输入特征的完整性和质量。如果在设计阶段无法合理表征用户行为，即使是先进的预测模型也可能无法交付足够可靠的结果[16]、[17]。因此，设计阶段建筑能耗预测的关键挑战不仅在于开发准确的预测模型，还在于生成更真实的用户行为输入。

为解决这一问题，本研究将AI智能体引入设计阶段能耗预测过程。在给定建筑空间、功能关系、服务流程规则和场景假设的条件下，AI智能体可以动态模拟用户活动，生成具有时间连续性、动态变异性和个体异质性的行为数据[23]。在提出的框架中，基于BIM的布局描述符和气候相关场景设置提供了建筑的设计端表征，而AI智能体模拟将门诊服务假设转化为可在运行前检查的用户行为描述符。通过将基于BIM的内部布局信息与AI智能体生成的用户行为数据相结合，再将这些输入送入数据驱动预测模型，可以开发出更适合、更实用的设计阶段建筑能耗预测方法，从而提高早期设计评估的准确性和实用性[24]。

基于上述背景和动机，本研究的主要贡献有三点：

1. 首先，本研究提出了一种面向设计阶段的建筑能耗预测框架。该框架整合了建筑设计信息、用户行为信息和数据驱动预测模型，以解决早期设计中运行数据缺乏和输入信息不完整的问题。特别是，早期设计阶段的内部布局信息通过BIM表征，以描述空间组织、功能分区和相关建筑环境特征，从而为设计阶段建筑能耗预测提供结构化输入。

2. 其次，本研究开发了一种基于AI智能体的用户行为模拟方法，以解决设计阶段能耗预测中用户行为表征不足的问题。与依赖固定日程表、经验模板或简化统计假设的传统方法不同，提出的方法在给定空间条件、服务流程逻辑和行为规则下模拟用户活动过程，生成具有时间连续性、动态变异性和个体差异的行为数据。这些模拟行为轨迹将设计阶段输入从静态空间描述符扩展为对门诊使用的时序敏感、分区敏感和服务流程敏感表征。

3. 第三，本研究进行了实验以评估模型性能、敏感性及AI智能体生成行为变量的贡献。在相同数据集和预处理流程下，对比了从代表性近期研究中选取的多种机器学习和神经网络模型。此外，进行了消融和敏感性分析，以检验哪些行为和设计变量对预测性能贡献最大，为模型选择和设计阶段能耗分析提供了实证支持。

**章节片段——建筑能耗预测**

建筑能耗预测已从物理模拟发展向数据驱动建模。基于物理的方法通过显式的建筑性能模型描述传热、围护结构性能、系统运行、气象条件和内部得热，但通常难以在设计早期获取所需详实的信息[25]。相比之下，数据驱动方法从建筑特征与能耗之间的关系中学习。

**方法论**

图1展示了本研究用于设计阶段建筑能耗预测的方法论框架。该框架分为两个主要阶段：(1)能耗数据准备和(2)预测模型构建与评估。第一阶段构建设计阶段能耗预测所需的输入数据，包括建筑数据、环境数据和用户行为数据。第二阶段侧重于模型的开发、比较和。

**数据集描述与实验设置**

本研究使用的数据集由武汉某医院系统旗下三个院区的门诊部门构建。对于每个院区，开发了BIM模型以表征门诊建筑的内部布局和功能区划，并按照3.1节的描述准备了相应的建筑和环境信息。同时，通过前述基于AI智能体的模拟框架生成用户行为数据。

**结论**

本研究提出了一种面向医院门诊建筑的设计阶段建筑能耗预测框架，通过整合基于BIM的建筑信息、环境变量、AI智能体生成的用户行为数据和数据驱动预测模型。所提出的框架旨在解决传统设计阶段能耗预测中用户行为表征不足的问题。结果表明，先进的深度学习模型取得了更好的预测。

**CRediT作者贡献声明**

Rui Dai：撰写—初稿，方法论，概念构思。Guoqiang Zhang：撰写—审阅与编辑，监督，方法论。Linhu Wang：验证，资源，数据管理。Liuchang Yang：可视化，验证。Ge Bai：撰写—审阅与编辑，项目管理，资金获取。

**利益冲突声明**

作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。

Rui Dai | Guoqiang Zhang | Linhu Wang | Liuchang Yang | Ge Bai

华中科技大学建筑与城市规划学院，湖北武汉，430074，中国