一个基于人工智能的MABM–BIM–DL框架，用于预测武汉三种代表性类型城市公共建筑的能耗

《Sustainable Cities and Society》：An AI-driven MABM–BIM–DL framework for energy consumption prediction in three representative types of urban public buildings in Wuhan

　　张瑞代|张国强|李胜彪|张瑞英|白格
华中科技大学设计学院，武汉，430074，中国

摘要
准确预测城市公共建筑的能耗对于城市规划和可持续发展至关重要，然而当不同类型建筑的室内布局和使用者行为存在差异时，这一任务仍然具有挑战性。以武汉为研究背景，本文提出了一种基于人工智能的公共建筑能耗预测框架，该框架整合了多建筑代理建模（MABM）、建筑信息建模（BIM）和深度学习（DL），用于预测医院、购物中心和办公楼的能耗。首先开发了一个MABM-BIM模型，然后使用这三种建筑类型一年的实际测量数据对其进行校准和验证。该模型明确表示了室内布局、使用者行为和能耗之间的耦合过程，并生成了在行为上合理且符合广泛使用的校准标准的合成能耗时间序列。在此基础上，使用模拟数据和测量数据训练了四种深度学习预测器（DNN、RNN、LSTM和Transformer），并将其与文献中的代表性基线模型进行了对比。在三种建筑类型中，所提出的AI模型将R2提高了12.9%–14.0%，准确率提高了12.2%–13.0%，同时降低了MSE、MAE和MAAPE。Transformer表现出最佳的整体性能，突显了基于注意力机制的架构在处理长时序依赖性和跨特征交互方面的优势。这些训练好的预测器可以作为与BIM链接的模块，支持在规划和概念设计中的快速能耗估算，从而为炎热夏季和寒冷冬季气候区域的公共建筑实现数据驱动的方案筛选和可持续性决策提供支持。

引言
城市越来越将公共和商业建筑视为实现脱碳、可负担性和韧性的关键基础设施（Roumi等人，2022年）。这些建筑的能源需求必须满足基本服务、长时间运行以及严格的室内环境要求（Dan等人，2025年；Perera和Hong，2023年）。最近的一份全球综合报告显示，建筑和建筑行业仍消耗全球32%的能源，并占全球二氧化碳排放量的34%，这使得运营绩效成为气候、健康和财政议程的核心（国际能源署，2024年；联合国环境规划署和全球建筑与建设联盟，2025年；Yan等人，2017年）。

在这一全球背景下，城市公共建筑（包括医院、购物中心和办公塔）成为分析的重点（Curto等人，2019年；Yan等人，2017年）。这些建筑在紧凑区域内集中了高能耗的服务，并与市政基础设施紧密相连。它们的长服务寿命和刚性服务义务意味着错误判断运营能源需求不仅会削弱能源管理的科学基础，还会限制对城市可持续性至关重要的能源效率改进。对于位于中国炎热夏季和寒冷冬季气候区的城市来说，准确预测公共建筑的能耗是协调空间规划、投资决策和碳减排路径的关键步骤（Xu等人，2013年）。

在这方面，关于建筑能耗预测的研究很多，但许多现有工作仍然采用单一因素视角。一种研究流关注使用者行为：研究通常定义或分类用户行为，然后使用已建立的分析方法或数据驱动模型将行为特征映射到建筑能耗（Amasyali和El-Gohary，2018年）。另一种研究流关注室内空间布局，将复杂的空间组织提取为一组高级变量，并使用耦合或数据驱动模型来揭示布局因素与能耗之间的关联。然而，现实世界中的建筑能耗通常由多个相互作用的因素决定；单一因素模型难以捕捉这些耦合机制，从而限制了预测性能（Latha等人，2023年）。尽管一些研究尝试将行为和布局结合起来进行能耗预测，但它们往往依赖于简化的替代模型和粗粒度的空间配置表示，这对于复杂城市公共建筑群的精细预测来说是不够的（Uddin等人，2025年）。

基于上述城市和气候背景，本研究以武汉的异构公共建筑群作为实际测试平台。通过整合使用者动态和室内空间布局，我们旨在开发一个解释性和预测性的运营能耗模型，为城市规模的能源管理、低成本运营干预以及基本公共服务的韧性提供实证支持。

Hamed等人（2025年）将ABM与家庭空间结构联系起来，以识别住宅能耗的行为相关驱动因素。Yan等人（2023年）使用AI共同建模使用者行为和能源需求，表明对行为随机性的鲁棒性有所提高。Sonta等人（2021年）将室内空间布局（而非宏观几何指标）作为中介因素，将室内环境条件和设备控制机会与建筑能耗结果联系起来，并提供了布局引起的能耗效应的初步证据。Du等人（2021年）通过模拟进一步证明，即使在相同的外壳和系统规格下，分隔和功能分区也会显著改变日光可用性和供暖及制冷负荷，从而导致能耗的差异。Wu等人（2020年）开发了一个线性回归模型，利用不同功能区的能源指标来估算整个建筑的能耗，从而减少了多功能环境下的最终使用估算误差。对于专门的公共建筑，Shi等人（2021年）以医院为例，表明规划深度和流通组织与能源强度相关，因为流通结构和空间邻近性限制了工作流程、使用者移动和区域级别的环境控制。在动态占用情况下，Xia等人（2024年）提供了数据驱动的证据，表明空间分配和连通性影响照明和暖通空调性能，从而影响能源需求。相比之下，在城市尺度上，P. Wang等人（2023年）将周围建成环境因素与建筑能耗联系起来，而室内布局和占用模式通常被压缩为聚合的代理变量，这限制了对机制的敏感评估。

总体而言，这些研究证实了布局相关参数的重要性，但仅靠粗略的布局描述符不足以表示布局-行为-系统响应路径，单独的布局信息也无法支持复杂公共建筑的稳健能耗预测。

最近的研究越来越多地认识到使用者行为是公共建筑运营能耗不确定性的主要来源。随着外壳和暖通空调性能的提高，变化性更多地由使用者主导的动态因素驱动，如存在与否、活动强度、控制行为和运营管理策略，在功能异质的非住宅建筑中这种耦合更为明显（Dong等人，2021年；Gaetani等人，2020年；Maghsoudi Nia等人，2022年；Yu等人，2022年）。Ahmed等人（2023年）提供了关于使用者行为影响和建筑性能模拟方法的全面综述，但大多数证据仍然集中在住宅和标准办公环境中，对医院和购物中心等复杂公共建筑的覆盖有限。Zambrano等人（2021年）使用固定时间表或代理占用密度进行数据驱动预测，当实际操作偏离假设模式时，这种方法可能不够敏感，限制了鲁棒性和跨建筑的可转移性。Amasyali和El-Gohary（2018年）通过共同调整行为模式、建筑参数和天气条件构建了基于模拟的数据集，证明使用者行为可以引起显著的能耗差异。

实证研究进一步证实，使用者自主性和控制决策对能源结果有实质性影响（Chong等人，2021年；Fu和Miller，2022年；Loengbudnark等人，2023年），但这些见解往往取决于具体案例。尽管使用者行为的重要性已得到充分认可，但公共建筑能耗预测仍缺乏可重复和可验证的方法，以支持在早期规划阶段跨建筑类型的比较和部署。

在上述研究基础上，将室内布局和使用者行为与基于AI的预测器相结合已成为提高建筑能耗预测准确性的有前景的方向（Amasyali和El-Gohary，2021年；Olu-Ajayi等人，2022年；Seyedzadeh等人，2019年；Shen和Pan，2023年）。Uddin等人（2022年）结合了ABM、SD和BIM来研究布局如何影响节能措施，强调了耦合布局-行为表示的价值。Hamed等人（2025年）将ABM与家庭空间结构联系起来，以识别住宅能耗的行为相关驱动因素。Yan等人（2023年）使用AI共同建模使用者行为和能源需求，表明对行为随机性的鲁棒性有所提高。Uddin等人（2025年）进一步将ABM-SD-BIM与AI结合，使用BIM衍生的布局约束和基于代理的行为来编码与能源相关的决策规则，从而提高预测性能。然而，大多数现有实现依赖于简化的行为机制和粗粒度的空间抽象。对于具有异质用户和复杂空间方案的复杂公共建筑，这种简化可能会低估布局-行为耦合，从而限制了适用性和跨建筑类型和布局配置的泛化能力。

表1总结了现有的建筑能耗预测研究，并定位了我们的工作。尽管公共建筑能耗建模在早期规划中得到了越来越多的探索，但仍存在三个差距：

**差距1**：缺乏一个可重复的工作流程，能够同时表示行为和与BIM一致的空间结构。许多研究要么用粗略的空间表示来建模使用者行为，要么以大致静态的方式从BIM评估能源性能。因此，很难在统一且可比较的工作流程中捕捉医院、购物中心和办公楼的类型特定节奏和控制行为，尤其是在不同的布局条件下。

**差距2**：使用耦合的行为-布局-环境驱动因素的预测方法有限，无法在不同建筑类型和布局之间进行公平比较。大多数数据驱动的预测器关注单一建筑类型或特定用例的特征设置，这限制了组合规模的应用。当引入模拟数据来补充测量记录时，训练和评估中使用模拟数据与基于计量数据的情况并不总是明确指定，使得对测量能源需求的泛化更难以解释。

**差距3**：关于不同深度学习模型表现差异的解释证据有限，减少了可操作的指导。现有工作通常报告总体准确率指标，但对哪些输入（例如布局描述符、行为特征或系统状态变量）以及这些因素如何随模型架构变化的解释较少。这削弱了在公共建筑能耗预测中特征选择和模型配置的实际指导。

为了解决上述研究差距，本研究做出了三个主要贡献：
- 我们开发了一种新的MABM-BIM能耗模拟框架，用于公共建筑。该框架将多建筑代理建模与BIM衍生的室内空间语义相结合，实现了医院、购物中心和办公楼中异质使用者行为及其与能源相关交互的一致表示。该框架使用实际运营数据进行校准和验证，为不同布局条件下的能源数据生成和跨类型比较提供了可重复的模拟基础。
- 我们提出了一种基于DL的能耗预测方法，该方法学习了从耦合的行为、布局和环境特征到建筑能源需求的非线性映射。通过利用MABM-BIM模型的结构化输出，所提出的预测器支持不同建筑类型和布局之间的可比评估，并提供快速能耗估算，以支持早期规划和设计决策。
- 我们通过对四种深度学习预测器（DNN、RNN、LSTM和Transformer）进行特征重要性和输入敏感性分析，提供了模型特定的证据。这些分析量化了不同架构对布局描述符、使用者行为和系统状态变量的依赖性，从而解释了性能差异，并为公共建筑能耗预测任务中的特征选择和模型配置提供了可操作的指导。

**案例原型**
武汉是中国湖北省的省会，是一个快速城市化的特大城市，位于炎热夏季和寒冷冬季气候区。如图1所示，案例研究集中在主要公共服务和商业活动集中的中心城区。我们研究了三种具有代表性的城市公共建筑类型——医院、购物中心和办公楼——它们的空间分布呈现出明显的聚集模式，热点主要集中在特定区域。MABM-BIM-DL框架概述中，我们预测公共建筑能耗的方法包括两个组成部分，如图3所示。组成部分1：开发一种混合MABM-BIM模型，用于生成与用户能耗预测相关的数据。在这部分研究中，我们开发了一个结合了MABM（Multi-Agent Based Modeling）和BIM（Building Information Modeling）技术的模型，以生成用户行为和建筑环境数据。该过程包括以下步骤：• MABM-BIM模型构建：本研究开发了一个MABM-BIM模型，并使用从六个真实世界公共建筑布局中收集的能耗数据进行校准和验证，以提高模拟输出的可泛化性。校准过程遵循ASHRAE指南14-2002（Uddin等人，2021年）和联邦能源管理计划（FEMP）的规定。根据这些指南，模型接受度通过两个标准进行评估：绝对平均偏差误差（|MBE|）应≤10%，以及相关系数。

MABM-BIM模型的优势：
(1) 方法创新：从单栋建筑的ABM发展到多栋建筑的MABM。本研究为三种公共建筑类型（医院、办公楼和购物中心）开发了一个MABM-BIM能源模拟框架。全楼的BIM布局提供了空间基础，在此基础上构建了特定于建筑类型的用户行为子模型，并将它们耦合到一个统一的多栋建筑MABM中。这使得能够一致地模拟结构、行为和能源响应的结合。

CRediT作者贡献声明：
戴睿：撰写——原始草稿、可视化、软件、方法论、调查、形式分析、数据整理、概念化。
张国强：撰写——审阅与编辑、监督、方法论。
李胜彪：可视化、软件。
张瑞英：可视化、调查。
白戈：撰写——审阅与编辑、资源整理、概念化。

利益冲突声明：
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢：
本研究得到了中国教育部人文社会科学基金[项目编号23YJA760002]和 CAST（中国科学技术协会）青年科技人才培养项目博士研究生计划的支持。戴睿目前是华中科技大学建筑与城市规划学院/设计学院的博士生，他的研究重点在于智能能源管理，以提高建筑能效并实现低碳发展。