《Sustainable Cities and Society》：Behavior-aware predictive energy control for sustainable operation of urban metro transport systems
编辑推荐：
•开发了一种行为感知的暖通空调框架，耦合了客流与停留时间效应。•行为校正将冷负荷MAPE降至2.0–3.3%。•早高峰负荷跟踪偏差从27.2降至1.5 kW。•三种站型的一周暖通空调节能率达16.3–21.6%。引言城市轨道交通系统已成为可持续城市交通的重要组成部分，特别是在
- •
开发了一种行为感知的暖通空调框架，耦合了客流与停留时间效应。
- •
行为校正将冷负荷MAPE降至2.0–3.3%。
- •
早高峰负荷跟踪偏差从27.2降至1.5 kW。
- •
三种站型的一周暖通空调节能率达16.3–21.6%。
引言
城市轨道交通系统已成为可持续城市交通的重要组成部分，特别是在大型都市区域，地铁网络承担了每日客运需求中的相当大份额。除了运输功能之外，地铁站是典型的高密度地下建筑环境，其中的暖通空调系统占运营能耗的相当大比例，且与乘客舒适度和碳排放密切相关（Ahn等，2016；Yin等，2020）。随着地铁网络持续扩展，在维持稳定室内环境条件的前提下提高暖通空调能效，已成为低碳基础设施运营中日益重要的挑战。
在早期运营实践中，地铁站暖通空调系统主要采用基于反馈的控制策略，由温度、湿度等实时环境测量值驱动。这些方法在检测到室内条件偏差后才调整系统运行，在客流快速变化的情况下固有地引入了响应延迟。为提高运行稳定性，随后开发了基于规则和基于模型的控制策略以增强动态条件下的调节性能（Lee等，2015；Vaccarini等，2016；Ren等，2023）。然而，许多方法仍然主要是被动的，因为它们依赖环境反馈而非预判由乘客行为引起的需求变化。
随着自动售检票系统和运营大数据的日益普及，研究逐渐转向基于客流驱动的暖通空调能耗需求建模。客流已被引入作为站点级冷负荷估计的关键解释变量，从而实现更具预测性的控制形式。Guan等（2018）证明了乘客数量与暖通空调能耗需求之间的强相关性，后续研究则利用基于自动售检票系统的数据支持短期客流预测和冷负荷预测（Tang等，2021；Yang等，2021；Liu等，2022；Cheng等，2024）。近期的工作进一步探索了数据驱动和混合机器学习方法，以提高运营变量与能耗之间的非线性映射性能（Zhang等，2025；Wang等，2025；H. Xu等，2023）。然而，大多数现有方法隐含地假设乘客数量直接决定热负荷，忽略了乘客在站内存在的时序结构。
与此同时，交通运营领域的研究表明，乘客行为在塑造站点动态方面发挥着重要作用。登乘干扰、拥堵效应和挡门事件可能显著延长列车停站时间，尤其在高峰需求条件下（H?nseler等，2020；Li等，2020；Pang等，2023）。这些行为效应增加了乘客在站台和大厅中的有效停留时长，从而影响乘客产生的内部得热的时长和时序分布。尽管此类效应在运营可靠性和时刻表性能领域得到了广泛研究，却很少被纳入暖通空调能耗建模和控制框架中（Coulaud等，2023）。因此，现有模型可能能够充分捕捉总体客流，但无法表征行为引起的时序畸变，可能导致对峰值冷负荷的系统性低估。
在此背景下，系统性地整合乘客行为动态到地铁站暖通空调预测控制中仍然是一个关键的研究空白。尽管现有研究逐步将客流数据纳入冷负荷估计，但它们通常不显式考虑乘客存在的时序变化，特别是由拥堵、登乘干扰和运营扰动引起的停留时间变化。因此，当前预测框架在捕捉行为引起的暴露效应方面能力有限，而这些效应在高峰期拥挤条件下可能尤为显著。此外，仍缺乏一种统一的建模结构，能够以适合现有建筑自动化系统环境实时暖通空调控制的形式，共同表征客流强度和行为驱动的时序畸变。
为克服这些局限性，本研究提出了一种行为感知的地铁站暖通空调系统预测性能耗控制框架，在统一的前馈控制结构中显式关联了客流、停留时间扰动和热负荷形成。具体而言，首先利用运营自动售检票系统数据预测短期客流，为系统输入提供预测基础。然后，引入行为引起的停留时间扰动模型，以捕捉由拥堵相关运营效应导致的乘客停留时间延伸。最后，将这两个组成部分在冷负荷估计过程中耦合，生成经行为校正的热需求信号，用于前馈暖通空调调节。通过从纯被动或基于客流量的控制转向行为—时间—能耗耦合机制，所提出的框架能够更准确地表征峰值负荷条件，并改善系统响应与实际需求之间的时序匹配。此外，由于该方法基于现有的自动售检票系统和建筑自动化系统数据流构建，无需额外的传感基础设施，因此为地铁网络中的实际部署提供了实用且可扩展的解决方案。这为城市轨道交通暖通空调系统更加主动、节能且具有行为感知能力的运营提供了一条路径。
章节摘要
行为感知预测控制方法的总体框架
所提出的框架将乘客行为动态整合到地铁站暖通空调预测控制中。如图1所示，该框架由四个模块组成：客流预测、停留时间扰动建模、行为校正冷负荷估计和前馈暖通空调控制。自动售检票系统记录提供每小时进/出站客流量；列车运营记录用于估计乘客引起的停留时间概率和累计时长。
案例研究描述
选取苏州地铁5号线来评估所提出的行为感知预测性暖通空调控制框架。苏州夏季气候湿热，导致地下地铁站产生大量冷负荷需求。所调查的车站配备了集中式空调系统和建筑自动化系统，为实施和评估所提出的控制策略提供了所需的运营平台。
选取三个代表性车站，分别为居住区车站、一座
客流预测验证
准确的客流预测对于估计乘客引起的冷负荷和实施后续前馈控制策略至关重要。因此，利用实测客流数据评估了所提出的PSO-GM(1,1)模型的预测精度和计算效率。为检验其对比性能，选取传统GM(1,1)、XGBoost和LSTM模型作为基准方法。所有四个模型均使用相同的时序方式进行评估
结论
本研究开发了一种客流驱动的地铁站暖通空调系统前馈控制框架。通过整合客流预测、停留时间行为校正、冷负荷估计和前置冷冻水流量调节，所提出的框架减少了传统建筑自动化系统控制中固有的响应延迟。主要结论如下。
- (1)
客流预测模型准确捕捉了客运需求的时序变化和快速波动，
CRediT作者贡献声明
张林锋：写作–审阅与编辑，写作–初稿撰写，资金获取，概念构思。康思琪：写作–初稿撰写，方法论，数据管理。江洋：验证，指导，形式分析。张霭靖：调查。蔡景明：资源，项目管理，概念构思。
利益冲突声明
作者声明不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究由中国国家重点研发计划"十四五"专项（2023YFC3804104，2023YFC3804100）资助。
张林锋|康思琪|江洋|张霭靖|蔡景明
