《BUILDING AND ENVIRONMENT》：Development of a D-centred thermal comfort classification model based on the ASHRAE global thermal comfort database II: an India case study
编辑推荐：
本文针对传统热舒适模型（如PMV）仅依赖单一指标（热感觉或可接受性）而无法全面反映人体舒适度复杂性的问题，研究人员开发了一种新型D中心热舒适分类（DC3）模型。该模型整合了热感觉、热偏好和热可接受性三个关键主观指标，构建了包含21个类别的系统。通过对印度12,116个热舒适观测数据应用随机森林（RF）分类器，该模型在预测舒适状态时准确率达到94%，显著优于传统方法，为个性化舒适度调节和建筑节能运行提供了新框架。
在建筑环境领域，如何精准调控室内热舒适度一直是个核心挑战。这不仅关系到人们的健康、幸福感和工作效率，还直接影响着建筑的能耗水平。传统的热舒适模型，如预测平均投票（PMV）或预测不满意百分比（PPD），长期以来被奉为行业标准。然而，越来越多的证据表明，这些模型在实际应用中存在明显局限。例如，对ASHRAE全球热舒适数据库II的分析显示，PMV与观测到的热感觉（OTS）之间的相关系数仅为0.35，凸显了模型预测与真实人体感受之间的脱节。问题的关键在于，传统模型往往只依赖单一方面的 occupant feedback（居住者反馈），例如热感觉或热可接受性，而人类的舒适感是一个多维度的复杂状态，受到个人偏好、代谢率、服装隔热性以及适应性等多种因素的综合影响。这种简化处理使得模型难以准确捕捉个体差异和实时变化的舒适需求，从而限制了其在智能建筑管理和个性化HVAC（供暖、通风与空调）控制系统中的应用。为了突破这一瓶颈，一项发表在《BUILDING AND ENVIRONMENT》上的研究提出了一种全新的解决方案。
为了更全面、精确地理解和预测热舒适度，研究人员开展了一项创新性研究，旨在开发一个能够整合多个主观舒适度指标的综合分类模型。这项研究以印度为例，利用大规模的实地调查数据，构建了名为"D中心热舒适分类（DC3）"的模型。该模型的核心创新在于其系统性的21类编码体系，该体系以中性热感觉（'D'）为中心，同时考虑了热感觉（TS）、热偏好（希望更暖或更凉）和热可接受性（是否接受当前环境）这三个关键维度。与只能诊断是否不舒适的传统模型不同，DC3模型的每个类别不仅能识别当前的热状态，还能为优化热舒适提供方向性的、可操作的指导，使其具备了诊断和处方的双重功能。研究结果表明，基于随机森林算法构建的DC3模型预测准确率高达94%，显著超越了PMV等传统方法，为实现更智能、更节能的建筑环境控制奠定了坚实的基础。
研究人员为开展此项研究，主要运用了以下几个关键技术方法：首先，研究数据来源于ASHRAE Global Thermal Comfort Database II (AGTCD-II) 中的印度地区子集，共包含12,116条经过质量筛选的完整热舒适观测记录。其次，研究对传统的热舒适模型（如PMV、PPD、双节点模型热感觉、热指数HI、不舒适指数DI）进行了初步验证，通过Spearman秩相关系数分析了这些模型预测值与实际居住者主观反馈（如观测热感觉OTS、观测热舒适OTC）之间的一致性。第三，研究设计并定义了"观测舒适度（OC）"这一新的二元指标，以及核心的"D中心舒适度分类（DC3）"21类系统，该系统通过正交因子化方法将热感觉（7级）和热偏好（3类）编码为1至21的数值。最后，研究采用随机森林（RF）机器学习算法，以空气温度、相对湿度、空气流速以及主观热舒适指标等作为输入特征，分别对OC二元目标和DC3 21类目标进行分类预测，并通过10折分层交叉验证和排列特征重要性分析来评估模型性能和关键变量的影响。
4. 结果
4.1. 初步分析：传统模型与主观舒适度指标的一致性
分析显示，传统热舒适模型与居住者主观反馈之间存在显著差异。PMV与观测热感觉（OTS）的Spearman相关系数仅为0.35，混淆矩阵显示准确率低至33%。同样，双节点模型热感觉与OTS的对比也表现不佳（准确率33%）。热指数（HI）和不舒适指数（DI）与观测热舒适（OTC）的对比同样显示出较弱的相关性和较低的预测准确性（HI与OTC准确率45%，DI与OTC准确率60%）。这表明，仅基于环境参数计算的指标难以准确反映个体复杂多变的热舒适感受。
4.2. 热感觉、偏好和可接受性的分布
对印度数据集的分析表明，当热感觉（TS）接近中性（0）时，表示"无需改变"热偏好的居住者比例最高。随着TS偏离中性（变冷或变热），偏好"更凉"或"更暖"的比例相应增加。值得注意的是，即使在接近中性的TS下，仍有相当一部分居住者认为热环境不可接受或希望改变，这凸显了单一指标（如TS）的局限性，以及整合多指标（如偏好和可接受性）的必要性。
4.3. DC3类别的分布与环境特征
21个DC3类别在印度数据集中呈现出清晰的分布 pattern。大多数观测值集中在以中性感觉为中心的"D"类及其邻近类别（如C, E），形成了一个"舒适三角区"，涵盖了约70%的居住者。通过箱线图和小提琴图对环境参数（空气温度、相对湿度、空气流速）的可视化分析显示，不同DC3类别对应的环境条件存在可区分的差异，例如，从冷感觉类别（A, B）到热感觉类别（F, G），中位空气温度呈现逐渐升高的趋势，验证了DC3分类的环境合理性。
4.5. 印度城市和季节的热舒适特征
将DC3模型应用于不同印度城市和季节的数据，揭示了显著的地域和季节性差异。例如，西姆拉（Shimla）在夏季和冬季均有很高比例（85%-88%）的观测值落在舒适三角区内，表明其室内热环境管理较好。相反，艾哈迈达巴德（Ahmedabad）则显示出较大的季节性波动（春季舒适比例低至40%，冬季高达75%）。海得拉巴（Hyderabad）和金奈（Chennai）的舒适度分布则相对分散，表明其居住人群的热舒适需求更为多样化。这证明了DC3模型在捕捉不同气候和文化背景下热舒适特征方面的能力。
4.7. 机器学习模型性能
随机森林分类器的性能评估显示，模型的准确性高度依赖于输入特征。当仅使用环境参数（空气温度、湿度、风速）预测DC3类别时，准确率仅为26%。加入热感觉（TS）后，准确率提升至55%。而当同时加入热感觉和热偏好时，模型对21类DC3代码的预测准确率达到了94%（宏F1分数0.861）。排列特征重要性分析进一步确认，热感觉和热偏好是预测DC3状态的最重要特征，而环境参数（如温度、湿度）则起到辅助 refinement 的作用。这强有力地说明，要实现高精度的舒适度预测，必须结合居住者的主观反馈，而不仅仅是依赖传感器数据。
5. 讨论与结论
本研究开发的DC3模型代表了对传统热舒适建模方法的一次重要革新。它通过系统性地整合热感觉、热偏好和热可接受性这三个核心主观维度，构建了一个既全面又具有可操作性的热舒适分类框架。与只能提供群体平均感受或单一舒适分数的PMV/PPD模型不同，DC3模型的21个类别能够精确描绘个体所处的具体热状态，并明确指出向更舒适状态调整的方向（如需要升温还是降温）。这种"诊断+处方"的能力，使其非常适合于支持个性化、自适应的HVAC控制系统。
研究的核心结论是：高精度的热舒适状态识别和预测不能仅仅依赖于物理环境参数的测量，必须整合来自居住者本人的实时、多维度的主观反馈。DC3模型成功地将这些反馈信息结构化为一个清晰的分类系统，并通过数据驱动的方法验证了其可行性和高准确性。
这项研究的重要意义在于：首先，它为建筑环境领域提供了一个更贴合实际、更能反映人类复杂舒适感知的分析工具。其次，DC3模型为开发下一代智能建筑管理系统奠定了理论基础，使得系统能够根据具体的、可解释的舒适状态代码（如"E-"代表"微热，偏好更凉"）来执行精确的、个性化的环境调控策略，从而在保障 occupant well-being（居住者福祉）的同时，最大限度地提升能源效率。最后，以印度为案例的研究展示了DC3模型在不同气候和文化背景下的应用潜力，为未来的全球推广和跨文化比较研究提供了范本。
尽管目前的研究主要基于印度地区的静态调查数据，但其提出的DC3框架具有普适性。未来的研究方向包括将模型应用于其他气候区的数据、探索其在实时动态控制中的应用、结合更先进的机器学习算法（如强化学习）来学习个体的"舒适周期"，以及进行更严格的外部有效性验证。总之，这项研究标志着我们在理解和满足建筑环境中个性化热舒适需求的征程上迈出了关键一步，对推动建筑向更健康、更舒适、更可持续的方向发展具有深远影响。
