基于机器学习方法的多层教育建筑大厅空间热舒适预测研究

《Case Studies in Thermal Engineering》：Thermal comfort prediction in lobby spaces of a multistoried educational building using machine learning approach

　　

人类舒适度，尤其是多层教育建筑大厅空间的热舒适度，极大地影响着居住者的健康和工作能力。由于环境变异性、仪器误差、数据不平衡、楼层数量较多以及结构更加复杂，分析热舒适度仍然具有挑战性。此外，在像孟加拉国达卡这样的发展中国家，针对教育建筑大厅空间的热舒适研究十分有限。因此，本研究旨在利用机器学习（ML）预测热舒适水平，并找出考虑教育建筑季节性变化的大厅空间中影响最大的因素。研究人员使用物理调查（包括布局相关参数和空气质量监测设备）在孟加拉国达卡的冬季和夏季共收集了2217个数据点。为了进行分析，研究人员使用了四种ML模型：决策树（DT）、随机森林（RF）、极限梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）。研究人员采用了SHAP（Shapley Additive exPlanations）、MDI（Mean Decrease Impurity）和单次一项（OAT）敏感性分析来进行特征排序并增强模型透明度。所有四个模型都表现显著良好，准确率超过91%。影响热舒适分类的最主要特征是温度、CO2、湿度、风速以及居住者与窗户的距离。该分析及其发现强调了ML模型在预测大厅空间热舒适方面的性能，突出了推进建成环境领域的关键特征。此外，本研究提出了一个实践实施框架，为政策制定者和AEC（建筑、工程和施工）行业提供了可行的见解，以支持以居住者为中心的多层教育建筑大厅空间，并提升其热舒适度。

研究背景与问题

通常，人们大部分时间都在室内空间中度过。室内环境质量（IEQ）是决定建筑居住者舒适度、生产力和总体幸福感的关键因素。热舒适受到各种环境参数、人为因素（包括身体和生理方面）以及建筑布局相关元素的影响。在自然通风的室内环境中，热舒适是高度动态的，因为居住者会持续适应不断变化的环境条件，如温度变化、风速和湿度水平，这些共同塑造了他们的舒适感知和可接受的舒适范围。

多层建筑的大厅空间作为过渡区域，多种类型的居住者在此频繁活动。与教室不同，大厅空间的占用率、座位位置、空气流动以及对外部开口的暴露程度变化更大，这使其成为预测居住者热舒适的重要环境。尽管这些大厅空间是重要的流通场所，但由于照明、通风和楼层占用模式的变化，其室内条件常常波动。在自然通风系统（NVS）中，虽然因其能源效率和环境效益而常被采用，但可能导致不一致的舒适水平。研究表明，43%的用户对热舒适不满意，这明显高于ASHRAE标准55设定的20%目标满意度阈值。尽管供暖、通风和空调（HVAC）系统有助于维持可接受的室内条件，但它们需要显著更高的能耗（约40-50%），并且仍可能无法保证令人满意的热舒适。在此背景下，对自然通风教育建筑（NVEB）门厅进行系统的热舒适研究，对于开发以居住者为中心的方法和提高热舒适性能成为一个关键的研究方向。

教育建筑在塑造学生的学业成绩和整体发展方面起着至关重要的作用。与许多其他建筑类型不同，教育设施容纳着高密度的人群，学生和教师长时间专注于集中活动。先前的研究表明，教室和共享空间中的热舒适不足和较差的IEQ会对学生的注意力、认知能力和学习成果产生负面影响。此外，学校环境的研究显示，升高的CO₂浓度和不适当的通风直接与学生学习成绩下降和健康投诉增加有关。诸如ASHRAE标准62.1和标准55等标准强调了在教育建筑中维持可接受的室内空气质量和热舒适以确保居住者福祉和生产力的必要性。然而，在包括孟加拉国在内的发展中国家，由于经济和能源限制，许多教育建筑严重依赖NVS，这可能导致室内条件波动。因此，理解和预测教育设施中的热舒适对于实现能源效率、环境可持续性和居住者满意度之间的平衡至关重要。

研究目的与方法

本研究旨在利用先进的机器学习（ML）方法，预测孟加拉国达卡市多层教育建筑大厅空间的热舒适。它使用决策树（DT）、随机森林（RF）、极限梯度提升（XGBoost）和轻量级梯度提升机（LGBM）算法，研究关键室内环境因素对热舒适分类的影响。此外，本研究提出了一个实践实施框架，为政策制定者和建筑、工程和施工（AEC）行业提供可行见解，以支持改善热舒适的教育建筑大厅的以居住者为中心的设计和管理。

关键技术方法

研究人员采用了一套系统性的多阶段方法论框架。首先，在孟加拉国达卡的一个典型12层中高层学术设施中进行实地调查，该建筑主要依赖NVS。数据收集覆盖冬季（2024年11月至2025年2月）和夏季（2025年5月至2025年8月），从4楼到10楼的大厅空间共获取2217个数据点。使用校准的数字仪器测量环境参数（温度、湿度、照度、风速、CO₂），并通过谷歌表单问卷收集居住者人口统计信息、适应性行为和热舒适投票。为处理数据类别不平衡问题，研究人员采用了混合过采样技术SMOTE-ENN（合成少数类过采样技术与编辑最近邻结合）。随后，研究人员开发并评估了四种监督式ML分类器：DT、RF、XGBoost和LightGBM。为了增强模型透明度和识别关键影响因素，研究人员应用了三种特征重要性分析方法：SHAP（Shapley Additive exPlanations）、MDI（Mean Decrease Impurity）和单次一项（OAT）敏感性分析。

研究结果

模型性能评估

所有四种ML模型均表现出色，准确率均超过91%，验证了ML方法在预测此类动态空间热舒适方面的有效性。其中，集成学习方法（RF、XGBoost、LightGBM）的整体性能优于单一决策树（DT）模型。

特征重要性分析

通过SHAP、MDI和OAT三种方法的综合分析，研究发现影响热舒适分类的最主要特征是温度、CO₂浓度、湿度、风速以及居住者与窗户的距离。这表明环境参数，特别是温度和CO₂，在决定大厅空间居住者的热舒适感知中起着主导作用。布局相关的物理参数，如居住者与窗户的距离，也显示出重要影响。

季节性与数据分布

数据显示出明显的季节性差异，夏季数据集中“暖”和“微暖”类别的响应频率更高，而冬季数据集中“微凉”和“冷”类别更为普遍。这种季节性感知模式导致了原始数据集中的类别不平衡。

讨论与结论

本研究的分析和发现强调了ML模型在预测大厅空间热舒适方面的卓越性能，成功识别了推动该领域发展的关键特征。研究指出，传统热舒适模型（如Fanger的PMV模型）假设稳态条件，往往忽略了多层教育设施中存在的空间变异性，而ML方法能够有效捕捉环境变量之间复杂的非线性关系。研究提出的实践实施框架为政策制定者和AEC行业提供了可行的见解，旨在支持设计和管理以居住者为中心的、具有更优热舒适度的多层教育建筑大厅空间。该研究填补了在发展中国家的热湿气候地区，针对NVEB大厅空间进行数据驱动热舒适预测的研究空白。