基于结构化多分支CNN-LSTM网络的时空室内热环境与视觉质量预测框架

《BUILDING AND ENVIRONMENT》：A Spatiotemporal Indoor Thermal and Visual Quality Prediction Framework Based on a Structured Multi-Branch CNN–LSTM Network

室内环境质量预测面临空间异质性和多特征交互建模的挑战。本研究提出整合空间聚类、分层深度学习架构和SHAP-NMI解释性分析的框架，实现办公建筑内温度、湿度和光照的30分钟短时预测。模型通过K-means分区捕获空间异质性，采用多任务深度学习融合气象、历史环境和控制指令等多源特征，并利用SHAP分解与NMI互信息分析揭示物理耦合机制。实验表明模型在温度（RMSE=0.23℃）、湿度（RMSE=0.72%）和光照（RMSE=15.13lx）预测上显著优于基准模型，并通过SHAP-NMI分析验证了不同环境参数的驱动机制。

　　

张浩阳|王岩|赵洪斌|姚万祥|高伟军|杨国清|孙立新|蒋中天

天津城建大学建筑学院，中国天津300380

摘要

鉴于人们大约90%的时间都在室内度过，准确预测室内空气温度、相对湿度和照度对于提升室内环境质量（IEQ）至关重要。然而，当前的方法往往无法充分解决空间异质性和多特征之间的相互作用问题，同时也缺乏对实际IEQ管理的解释性。本研究提出了一个综合框架，用于室内热环境和视觉环境的预测，该框架结合了空间聚类、分层深度学习预测架构以及SHapley加性解释-标准化互信息（SHAP–NMI）解释性分析方法。该模型的RMSE值分别为0.23°C、0.72% RH和15.13 lx，显著优于基准模型。SHAP–NMI分析表明，温度和湿度的预测主要受室内状态持续性的影响，同时受到窗户-空调行为的共同调节；而照度则主要受日光-窗帘耦合以及补充的窗户和人工照明效果的影响，从而提供了可解释且物理上一致的见解。这些发现为提升IEQ和促进居住者福祉提供了一种直接、针对特定区域的方法。

引言

由于人们大约90%的时间都在室内度过[[1], [2], [3]]，室内环境质量（IEQ）对居住者的健康、舒适度和生产力有着重要影响[[4], [5], [6]]。不良的IEQ条件——如不适宜的热舒适度或视觉条件——会导致居住者出现显著的不适和健康问题[4,7,8]。为了缓解这些影响，各种室内环境控制（IEC）系统会调整窗户、窗帘、照明以及供暖、通风和空调（HVAC）的操作来改善IEQ[9,10]。特别是，预测控制策略（例如模型预测控制（MPC）依赖于对室内条件的准确预测，以实现主动调整[11,12]。

然而，由于建筑环境的复杂性和动态性，准确预测室内环境变量具有挑战性。室内气候过程高度非线性且随时间变化，同一空间内的不同位置条件也可能有所不同[13,14]。多种因素——包括室外天气波动、内部热量和湿度的增加——以耦合的方式相互作用，增加了这种复杂性[15,16]。这些特性使得简单模型难以泛化，阻碍了使用传统方法进行实时、可靠的IEQ预测[17]。

在过去的十年中，一系列数据驱动的方法被应用于IEQ预测。传统的机器学习算法（例如随机森林、高斯过程回归）和早期的深度神经网络（例如浅层多层感知、简单循环模型）在预测个别IEQ参数方面取得了一些成功[17,18]。然而，这些模型通常依赖于有限的特征或较短的历史数据窗口，并且常常难以处理非线性的、多尺度的室内气候动态[14]。在实践中，这些模型的准确性和泛化能力往往不够理想，尤其是在面对复杂现实世界条件时[17,19]。这些局限性凸显了需要更先进的预测框架，这些框架能够整合多样化的输入信息，捕捉时空复杂性，并提供解释性[20,21]。

最近的研究越来越多地使用先进的深度学习（DL）技术进行IEQ预测[12,15,[22], [23], [24]]。许多研究人员利用多变量时间序列模型来预测关键的室内参数，包括空气温度（T_a）、相对湿度（RH）和照度（$E_v$）[11,[25], [26], [27], [28]]。先进的网络架构包括循环神经网络、卷积-循环混合模型和时间卷积网络（TCNs）[22,29]。通过使用更全面的输入特征和序列建模，这些DL方法在预测准确性方面取得了显著提升，相比简单技术有了明显进步[23]。然而，它们在空间异质性下的鲁棒性以及不同驱动因素之间耦合效应的透明量化尚未得到充分研究，这可能限制了在建筑运营中提供可靠的决策支持和实际应用[30,31]。

由于不同IEQ变量的动态特性不同，有效的建模策略也有所不同。室内T_a在HVAC设定点、内部热量增加和室外天气边界的作用下表现出热惯性和多尺度滞后，因此适合使用能够捕捉平滑趋势和突变过渡的卷积-注意力混合模型[13,22,29]。RH通常表现出更长的记忆湿度动态，并与T_a有明显的耦合；因此，联合T_a-RH建模以及比预测范围更长的输入历史数据被证明可以提高RH预测的准确性，因为这样可以捕捉到延迟的湿度响应[22,32]。$E_v$主要受快速辐射波动和阴影变化的影响，将天空描述符与立面或照明控制线索结合使用可以提高在日出和日落以及云层变化时的性能[[33], [34], [35]]。

然而，这些进展主要是作为特定变量的独立预测器设计的。目前仍缺乏一个全面的、实时的框架，能够协调多参数预测，同时利用跨变量信息共享，并实现特定任务的架构。因此，一个统一且异构的IEQ预测框架对于协调多参数预测并针对每个任务的动态调整网络组件至关重要。

除了提高预测准确性外，模型的解释性也被认为对于在建筑运营中的部署至关重要，因为数据驱动模型缺乏透明度会侵蚀用户信任并阻碍有效决策[36,37]。事后解释工具，如SHapley加性解释（SHAP）已被开发出来，用于识别影响模型输出的主要因素[38,39]。对于室内T_a、RH和$E_v$的短期预测，通常仅关注边际贡献，而对异构驱动因素的耦合效应以及学习到的交互机制与空间异质背景下的物理行为之间的对齐关注较少[40,41]。

针对这些挑战，剩余的差距总结如下：

1)

一个系统的预测框架尚未完善；在统一框架中很少展示实时、协调的多参数预测以及明确的任务特定架构定制；

2)

空间异质性建模不足，因为单点测量无法捕捉区域内的变化；

3)

特征覆盖不全面，特征之间的相互作用探索不足，限制了跨建筑的通用性和鲁棒性部署；

4)

模型解释性仍然有限，其背后的机制和物理一致性尚未得到充分验证，限制了实际应用中的可靠性。

为了解决这些差距，本研究开发了一个综合框架，用于准确且可解释的实时、短期预测室内T_a、RH和$E_v$。该框架旨在（i）在空间异质性存在的情况下提高鲁棒性，（ii）利用多源驱动因素——室外边界特征（OEF）、历史室内环境特征（IEF）和环境控制动作特征（EAF）——来捕捉耦合效应，（iii）提供对学习到的交互机制的物理一致解释，以支持运营决策。

因此，该框架包括三个模块：（i）基于K-means的空间划分，用于表示空间内的异质性；（ii）一个分层的多任务DL预测架构，该架构具有异构输入，通过多头交叉注意力机制（MCA）融合这些特征，并结合一维卷积神经网络（1D-CNN）和长短期记忆（LSTM）组件，分别用于T_a、RH和$E_v$；（iii）一个解释性和耦合分析模块，结合了SHAP和标准化互信息（SHAP–NMI）。SHAP为每个驱动因素提供样本特定的加性解释，而NMI衡量解释模式之间的非线性依赖性。它们的结合有助于区分边际效应和耦合驱动因素的相互作用，从而实现对学习机制的物理一致解释。本研究仅限于在办公环境中对室内T_a、RH和$E_v$的数据驱动、实时短期预测，旨在支持以IEQ为导向的建筑运营。

方法部分

方法

图1总结了提出的五部分方法论。第1部分使用K-means聚类来划分功能上同质的区域。第2部分收集多源室内-室外环境、时间和控制特征，并应用类型特定的标准化和基于标签的编码。第3部分构建一个分层的多任务DL架构，用于预测30分钟后的区域T_a、RH和$E_v$。第4部分通过消融实验和基准研究评估预测性能。第5部分

研究区域的空间异质性分析

在四个区域中，无论是湿热条件还是视觉条件，都存在空间异质性。区域A的T_a和RH相对稳定，$E_v$始终较低；而区域B和C的热变化较大，$E_v$分布更广且呈右偏态。区域D的T_a和RH波动最大，分布最广且最偏态，表明外部干扰较强。这些对比证实了空间异质性；详细的定量分析

温度控制应用

创建了一个假设的冷却场景，以评估多区域T_a预测在T_a控制中的有效性，重点关注空调系统关闭的温暖下午（图12）。该模型模拟了从13:00到13:40的室内T_a变化，分为两种情况：（i）空调保持关闭，代表基准情况；（ii）空调在13:10启动，所有区域的设定点保持26°C不变，其他参数保持不变。

在基准情况下，预测的T_a

结论

本研究提出了一个可解释的框架，用于实时预测30分钟后的室内T_a、RH和$E_v$，在空间异质的办公环境中进行区域预测。该框架结合了K-means分区、分层多任务深度预测架构和SHAP–NMI耦合分析。在独立测试日，该模型实现了0.23°C的RMSE、0.72% RH和15.13 lx的预测结果，并为以IEQ为导向的预测控制提供了可解释和基于机制的决策支持。主要贡献包括

CRediT作者贡献声明

张浩阳：撰写——原始草稿、研究、可视化、软件开发、方法论、数据整理、概念化。王岩：撰写——审稿与编辑、验证、监督、资源管理、项目管理、方法论、资金获取、概念化。赵洪斌：撰写——审稿与编辑、方法论、监督、项目管理。姚万祥：监督、项目管理。高伟军：监督、项目管理。

未引用的参考文献

[88]