《Algorithms》：Synthetic Temperature Prediction Using an Intuitionistic Fuzzy Neural Network by Particle Swarm Optimization
编辑推荐：
精确的温度预测对于在非线性和不确定运行条件下评估智能数据驱动预测方法至关重要。然而，环境变量的不确定性以及输入变量之间的非线性关系对传统预测方法构成了挑战。本研究旨在表明，IFNN–PSO（基于PSO优化的直觉模糊神经网络）可用于合成温度预测应用的概念验证。本
精确的温度预测对于在非线性和不确定运行条件下评估智能数据驱动预测方法至关重要。然而，环境变量的不确定性以及输入变量之间的非线性关系对传统预测方法构成了挑战。本研究旨在表明，IFNN–PSO（基于PSO优化的直觉模糊神经网络）可用于合成温度预测应用的概念验证。本文提出一种新颖的系统，其结合了直觉模糊表示、神经网络学习和基于粒子群优化（Particle Swarm Optimization，PSO）的参数优化，旨在对与温度相关的合成变量之间的复杂关系进行建模。该模型将室外温度、室内温度、湿度、一天中的时间和人数作为输入参数，并在这些参数设置为合成集合时预测期望的室内温度。IFNN具有5个输入节点、15个隐藏单元和2个输出节点，用于输出隶属度（membership degree，MD）和非隶属度（non-membership degree，NMD），总可训练参数为122。这些参数通过PSO以最小化均方误差（mean squared error，MSE）的方式进行优化。数据集被划分为70%的模型开发集和30%的保护测试集；五折交叉验证仅用于模型开发集内的模型选择和超参数调节，保护测试集仅用于最后评估最终性能。在保护测试集上，IFNN–PSO的MSE为0.0853，均方根误差（root mean squared error，RMSE）为0.2920，平均绝对误差（mean absolute error，MAE）为0.2314，决定系数（R2）为0.8784，优于人工神经网络（artificial neural network，ANN）基线（其MSE=0.0968，RMSE=0.3111，MAE=0.2446，R2=0.8621）。由IFNN–PSO生成的模型在测试模型中具有最小的误差值，并且与基准模型相比具有竞争力的拟合优度。这些发现支持IFNN–PSO作为一种合成温度预测的竞争方法，并为其未来在建筑能效方面的潜在贡献验证奠定了基础。
论文《基于粒子群优化的直觉模糊神经网络合成温度预测》发表在《Algorithms》期刊上。该研究针对温度预测中环境变量不确定性与输入变量非线性关系带来的挑战，提出了一种结合直觉模糊表示、神经网络学习和PSO参数优化的统一框架，以合成温度预测任务进行概念验证。传统模糊集（Fuzzy Set，FS）仅用隶属度表示不确定性，无法区分非隶属信息；人工神经网络（Artificial Neural Network，ANN）虽能学习非线性关系，但不显式建模输入不确定性；粒子群优化（Particle Swarm Optimization，PSO）常用于参数优化，却较少与直觉模糊表示结合。因此，该研究提出PSO优化的直觉模糊神经网络（Intuitionistic Fuzzy Neural Network–Particle Swarm Optimization，IFNN–PSO），旨在弥补现有HVAC预测框架中不确定性表示、非线性预测与全局参数优化彼此割裂的不足，并为未来建筑能效应用提供方法学基础。
研究人员采用合成生成的1000条HVAC数据集，每条样本包含室外温度、室内温度、湿度、时刻、人数和期望室内温度。模型采用5个输入节点、15个隐藏单元和2个输出节点（分别输出隶属度MD与非隶属度NMD）的IFNN结构，总可训练参数为122。PSO以50个粒子、100次迭代、惯性权重从0.9线性递减至0.4、认知与社会系数均为1.5等设置，优化全部权重和偏置以最小化MSE。数据按70%和30%划分为模型开发集与保护测试集，仅用五折交叉验证在开发集中进行模型选择和超参数调节，保护测试集仅用于最终评估。性能指标包括MSE、RMSE、MAE和决定系数R2。基线模型包括线性回归（Linear Regression，LR）、ANN、随机森林（Random Forest，RF）、XGBoost、长短期记忆网络（Long Short-Term Memory，LSTM）和Transformer。
研究结果部分，按照原文小标题总结如下：
5.1 训练结果表：通过训练与测试性能统计，IFNN–PSO在保护测试集上取得MSE 0.0853、RMSE 0.2920、MAE 0.2314、R2 0.8784，优于ANN基线。
5.2 顺序合成预测输出：对100个合成样本的MD与NMD预测显示，模型能够输出直觉模糊形式的不确定性信息。
5.3 与最先进模型的比较：与六种基准模型比较，IFNN–PSO获得最低的MSE、RMSE和MAE，其R2略低于Transformer和LSTM，但仍具竞争力。
5.4 比较预测性能的解释：研究指出R2不反映绝对误差大小，IFNN–PSO在误差指标上的优势表明其预测偏差更小。
5.5 计算成本和可扩展性分析：PSO带来的训练复杂度约为O(P T N)，其中P为粒子数、T为迭代次数、N为参数数；模型推理仅需前向传播，且粒子评估可并行化，具有可扩展性。
5.6 实验结果统计分析：对五折交叉验证结果计算均值、标准差和95%置信区间，并采用配对显著性检验，结果显示IFNN–PSO预测误差稳定且改善具有统计学意义。
5.7 基于无单位替代指标的比较：构造的无单位温度偏差替代分数中，IFNN–PSO为38.19，ANN为44.21，LR为46.35，相对降低13.61%和17.60%，但该降低不代表实际能量节省。
5.8 替代差异的算术累积：替代分数差的算术累积仅是对合成样本步数的常数差累加，不是能量历史或闭环性能。
5.9 PSO优化历史表：PSO全局最优适应度值最终降至0.0826，呈正确的下降趋势。
5.10 真实与预测MD和NMD：在保护测试集上，预测的MD和NMD与真实值在图中具有较好的一致性。
5.11 模型泛化分析（R值）：训练、验证和测试阶段的回归图显示高R2，表明模型泛化良好。
5.12 训练状态图和逐轮指标：PSO收敛诊断显示优化过程稳定且高效。
5.13 误差直方图：MD和NMD预测误差直方图显示误差集中在零附近，无明显偏倚。
5.14 回归图：MD和NMD的回归散点图显示预测值与实际值高度相关。
5.15 性能指标表和图形：综合比较性能指标图表明，IFNN–PSO在误差指标上显著优于LR和ANN。
5.16 顺序合成温度预测和学习曲线：预测与期望温度的对比以及训练/验证学习曲线显示，模型在合成条件下具有良好拟合能力。
5.17 残差图：MD和NMD残差图未显示明显系统性模式，表明模型残差近似随机。
讨论部分指出，IFNN–PSO的优势主要体现在误差指标上，而R2略低不影响其总体竞争力；统计检验确认了模型改进的可靠性。替代指标仅用于相同实验条件下的相对比较，不涉及能量消耗或控制性能。结论翻译如下：本研究开发了一种由PSO优化的直觉模糊神经网络（IFNN–PSO）用于合成温度预测。该框架结合了三种互补方法：直觉模糊逻辑利用隶属度和非隶属度信息处理不确定性；神经网络学习建模HVAC变量间的非线性关系；PSO对神经网络参数进行全局优化。实验结果表明，IFNN–PSO在预测任务中优于本研究所用的LR和ANN基线。IFNN–PSO获得测试MSE=0.0853，RMSE=0.2920，MAE=0.2314，R2=0.8784，而ANN为MSE=0.0968，RMSE=0.3111，MAE=0.2446，R2=0.8621。五折交叉验证平均MSE为0.0859±0.0024，显示模型在评估折间波动较低。与无单位温度偏差替代指标相比，IFNN–PSO的替代分数为38.19，ANN为44.21，LR为46.35，相对降低13.61%（对比ANN）和17.60%（对比LR）。这些百分比仅适用于所定义的合成实验条件，不代表计算能耗、HVAC电能或热能的减少，也不表示建筑节能。
