多尺度城市能源数据整合在能源贫困评估中的应用：一种基于语义的方法及荷兰案例的实证研究

《Sustainable Cities and Society》：Multi-Scale Urban Energy Data Integration for Energy Poverty Assessment: A Semantic Approach with Evidence from the Netherlands

　　刘轩|Sander de Meij|Alex Donkers|杨杜娟
埃因霍温理工大学建筑环境系，埃因霍温，5600MB，荷兰

**摘要**
城市能源贫困是一个多维度的挑战，部分原因在于不同空间尺度和领域之间的城市能源数据存在异质性。现有的评估方法通常依赖于孤立的数据集或单一尺度的分析，这限制了它们对能源贫困进行综合和透明评估的能力。本研究提出了一种语义方法，用于整合异构的城市能源数据，以支持透明和多定义的能源贫困评估。它开发了一个基于本体的数据整合框架——邻里能源本体（NEO），将建筑层面的能源性能信息、邻里层面的能源使用情况以及汇总的能源消耗统计数据连接在一个语义结构中，从而解决了互操作性的问题。此外，还应用了随机森林模型来预测缺失的能源标签数据，展示了如何将机器学习技术与NEO及其相关仪表板NEO Dash相结合。该方法通过荷兰的一个案例研究得到了实证验证。结果表明，语义多尺度整合方法提高了能源贫困评估的一致性。研究强调了语义技术在城市能源研究中的分析优势，并讨论了它们对基于证据的分析的影响。

**1. 引言**
能源贫困日益被视为一个关键问题，影响着发展中国家和发达国家。虽然传统上与发展中国家联系在一起，因为这些地区难以获得现代能源服务，但能源贫困在欧洲城市中也已成为一个紧迫的问题，数以千万计的人面临着能源可负担性的困难。在城市层面，能源贫困体现在住房质量、能源效率、收入和当地能源系统之间的相互作用上，使城市成为分析和干预的关键领域。这突显了提高能源可及性和可负担性的必要性，这与可持续发展目标7（负担得起和清洁的能源）以及公正转型倡议相一致。

尽管过去二十年的研究取得了进展，但评估和解决能源贫困的方法仍然多种多样（Thomson等人，2017年）。现有文献探讨了四个主要领域：能源贫困的定义和概念（Dalla Longa等人，2021年；Sareen等人，2020a年；Thomson等人，2017年）、评估方法和指标（Sareen等人，2020a年；Thomson等人，2017年）、能源贫困的影响（Dalla Longa等人，2021年；Heindl，2015年）以及旨在缓解能源贫困的政策措施（Dalla Longa等人，2021年；Mulder等人，2023年；Thomson等人，2017年）。这些研究依赖于来自不同领域的多种数据源的定量评估。然而，现有文献大多隐含地假设这些数据是容易获取、一致且可比较的。对于数据整合实践如何影响用于分析城市能源贫困的知识基础，关注较少。

与此同时，诸如城市数字孪生这样的数据驱动方法在城市环境中被越来越多地采用，以支持分析和决策。城市数字孪生不仅可以被视为模拟工具，还可以被视为整合、组织和解释多样化城市数据的平台，从而为治理过程提供信息（Q.-C. Wang, Sun等人，2025年）。在这种环境中，语义数据整合在构建城市知识的使用方式中起着核心作用。

本研究提出了一种语义方法，用于整合多尺度的城市能源数据，以支持城市能源分析。通过将建筑信息、社会人口数据和城市能源指标整合到邻里能源本体（NEO）中，展示了如何使用语义网技术来建模和分析能源贫困。在NEO框架的基础上，研究进一步开发了一个基于本体的分析环境NEO Dash，为利益相关者提供了关于城市能源动态的详细见解，实现了有效的数据可视化和分析。本研究通过展示如何在城市数字孪生环境中语义整合异构多尺度城市数据来影响关于城市能源贫困的知识生产和解释，从而加深了对数字城市治理的理解。这使得通过跨领域和尺度的数据连接，能够更透明和动态地理解能源贫困，为政策制定者和城市开发者提供了关于城市能源挑战的全面视角。

**2. 文献综述**
本节回顾了与能源贫困、城市能源分析中的数字化挑战以及语义数据整合相关的先前研究。该综述通过展示更一致和透明的多尺度城市能源数据整合方法的必要性，为研究的概念基础发展提供了支持。

**2.1. 城市环境中的能源贫困**
能源贫困日益被视为一个城市问题，涉及能源可负担性、住房条件和能源效率之间的相互作用（Chan & Delina，2023年；Cong等人，2022年；Sheridan等人，2023年）。这一问题已在城市层面得到研究，因为住房存量、能源基础设施和社会不平等在城市中往往高度集中（Liu等人，2025年）。尽管在多个层面上采取了政策和实践措施，能源贫困仍然是一个挑战，激发了大量实证研究。

许多现有研究采用了定量方法来识别、测量和绘制能源贫困图谱。例如，空间分析技术被用来整合人口普查数据和能源性能证书，以可视化能源匮乏的热点（Walker等人，2012年）。诸如“收入十分之一且高能源成本”（LIHE）之类的定义经常被用来通过交叉收入水平和能源支出来识别脆弱家庭（Moore，2012年）。这些方法依赖于多种数据源，包括家庭调查、社会经济统计、建筑特征和能源消耗记录（Moore，2012年）。

在许多研究中，数据整合被视为在给定分析框架内内部一致且易于比较的（Q.-C. Wang, Sun等人，2025年）。然而，对于数据整合实践如何影响城市能源贫困的识别和解释，关注较少。此外，开放城市数据的日益可用性表明，如果能够更明确地解决数据对齐和整合的相关挑战，将具有进一步的分析潜力。

**2.2. 能源转型中的数字技术挑战**
能源系统的日益数字化支持了城市能源数据的可用性和多样性，创造了支持城市能源转型的新机会。数字技术可以支持能源消耗的监测、能源需求和供应的模拟（Benedict & Belsvik，2023年），以及识别与能源相关的不平等现象，包括能源贫困（Ferdaus等人，2024年）。虽然城市数据的整合前景广阔，但仍需解决几个挑战。与能源相关的数据格式多样，反映了能源工程、建筑科学和社会经济分析的领域特定知识（Cao等人，2023年）。数据语义、空间分辨率和时间分辨率的差异使得数据集整合复杂化，并限制了这些数据在分析中的联合使用。当前的方法依赖于定制的、特定案例的数据和方法，这限制了它们的可重用性（Cao等人，2023年）。

这些挑战出现在城市能源转型的背景下，理解社会条件、建成环境和能源系统之间的相互作用需要协调使用多种数据集（Ferdaus等人，2024年；Stadtmann等人，2023年）。虽然数据整合是某些分析的必要前提，但它通常被视为技术前提，而不是明确的研究对象（Ferdaus等人，2024年；Stadtmann等人，2023年）。如果不关注多尺度数据的对齐，这些挑战可能会限制城市能源分析的一致性、可比性和透明度（Pritoni等人，2021年）。因此，解决异质性、语义不对齐和可重用性问题对于改进城市能源分析至关重要，包括与能源贫困和能源转型目标相关的问题（Bj?rnskov & Jradi，2023年；Moyne等人，2020年）。

**2.3. 用于城市能源分析的语义数据整合**
城市能源模型在理解和管理城市能源方面发挥着关键作用（Abbasabadi & Mehdi Ashayeri，2019年）。一些研究将城市能源建模分类为自上而下和自下而上的方法（Abbasabadi & Mehdi Ashayeri，2019年；Keirstead等人，2012年；Swan & Ugursal，2009年）。自上而下的模型在宏观层面对城市进行分析，将建成环境视为单一的能源消费者，并依赖历史汇总的能源数据来辨别城市能源消费模式（Abbasabadi & Mehdi Ashayeri，2019年；Swan & Ugursal，2009年）。自下而上的模型则关注微观层面，检查单个单元的能源消耗（Abbasabadi & Mehdi Ashayeri，2019年；B. N. Li等人，2020年）。一系列工具，包括城市建筑能源模型（UBEMs）、EnergyPlus、CitySim、City Building Energy Savers（CityBES）、E-GIS和城市建模接口（UMIs），已被用于通过基于GIS的平台进行分析，使用2D或3D GIS和CityGML（Abbasabadi & Mehdi Ashayeri，2019年）。虽然这些工具在估算城市能源需求方面有效，但它们在整合多尺度和领域的数据方面仍然有限。

作为城市能源建模的支持方法，语义网技术已成为有前景的解决方案（Corrado等人，2015年；X. Li等人，2022年；Liu等人，2025年；Ma等人，2024年）。这些技术促进了来自不同尺度和领域信息的整合，使得数据能够以结构化图的形式表示。这使得难以对齐的数据集之间的联系更加清晰（Pauwels等人，2017年）。这项技术的关键组成部分是资源描述框架（RDF），它为表示跨不同领域的数据和关系提供了灵活的模型（Kim等人，2025年；X. Li等人，2022年；Pauwels等人，2017年）。这种方法提高了城市能源数据的一致性、可解释性和可重用性，为整合异构数据提供了基础。

在城市能源转型的背景下，组织和解释多尺度能源和城市数据的能力对于应对复杂挑战（包括能源贫困）越来越重要（Feijoo等人，2024年；Hofbauer等人，2022年；Q. C. Wang & Abubakar，2025年）。语义数据整合通过提供一种对齐多样化数据集的结构来解决这一问题（X. Li等人，2025年；Pileggi等人，2020年）。通过支持透明和灵活的数据整合，这些方法可以加强城市能源分析，并为考察与更广泛能源转型目标相关的能源贫困提供基础（Pileggi等人，2020年）。

**2.4. 概念框架和研究问题**
能源贫困是一个多维度和多尺度的问题。大多数研究依赖于在特定分析框架内可用和预先组装的数据（Moore，2012年）。能源贫困的识别与治理过程密切相关（Bazilian等人，2014年；Varo等人，2022年）。不同的操作定义，如基于支出或效率的标准，可能会产生不同的脆弱性估计结果（Q. C. Wang, Liu等人，2023年）。许多评估依赖于来自不同领域和空间分辨率的异构数据集（Boeding等人，2026年）。然而，这些数据的概念解释往往没有得到充分探讨，跨尺度对齐数据的后果也很少被讨论。

在此基础上，本研究提出了一个概念框架（图1），将语义数据整合定位为介导异构城市数据与城市治理背景下城市能源贫困分析之间的层。该框架强调了其在塑造城市能源分析一致性和可解释性方面的作用。

**3. 方法论**
现有的城市能源分析通常依赖于在特定分析框架内组装的数据，对异质性、语义对齐和跨尺度一致性问题的关注有限。评估城市能源贫困需要连接在不同空间和时间分辨率下测量的变量（Duque等人，2015年；Robinson等人，2019年；Sareen等人，2020b）。该研究采用语义网技术来支持对异构和多尺度城市能源数据的分析。方法的重点在于通过提供一个语义层来支持城市能源分析，从而能够以一致的方式整合和解释来自不同空间和时间尺度的数据。这种方法通过开发NEO并将其应用于荷兰的一个案例研究来具体实施，展示了语义集成如何支持城市能源贫困的分析。

3.1. 本体结构
为了实现研究目标，本研究在NEO的基础上进行了扩展，以支持在能源贫困分析背景下对城市能源数据的语义集成。NEO的核心概念基于并重用了多个领域的现有资源，包括建筑性能本体（BOP）（Donkers等人，2022年；Donkers & Baken，2021年）、建筑拓扑本体（BOT）（Rasmussen等人，无日期）以及荷兰地籍、土地登记和测量局（Kadaster）的BAG2数据结构（BAG2-LD，无日期）。这些本体和数据模型提供了建筑性能、空间拓扑和地籍信息的表示，用于支持城市和建筑相关数据集之间的互操作性（Pritoni等人，2021年）。附录A总结了所重用的本体和数据结构。NEO围绕“邻里”这一概念展开设计，旨在将不同空间层次的城市实体（包括建筑物和聚合的空间单元）连接起来。通过将邻里表示为空间区域，并将其与建筑物和城市属性关联起来，该本体使得来自不同尺度的数据能够相互关联。这种设计支持异构城市能源数据的整合和比较，同时保留了关于测量背景和时间有效性的信息。图2展示了NEO的结构。

3.2. 数据来源与挑战
本研究收集了来自不同领域的统计数据，以全面了解城市能源数据集。此外，在后续的案例研究中使用了从收集的数据中预测出的能源标签。表1详细列出了研究中使用的数据层次和单位。此外，该研究还纳入了几何城市信息，使得能够根据邻里布局和空间配置等城市参数来表述能源数据。在荷兰，收入信息在邻里层面是可获得的。这种空间分辨率被用于国家能源贫困监测，并与现有的政策实践保持一致。这些数据集具有不同的空间层次，并为不同的目的而生成，这在进行城市能源分析时引入了对齐和比较的挑战。
注释：邮政编码6指的是六位数的邮政编码区域；能源标签的范围从A++++（最高效率）到G（最低效率）。

3.3. 数据补全与不确定性处理
实际上，城市能源数据集经常包含缺失的信息，尤其是在建筑能源效率标签方面。为了解决这一限制，本研究采用了随机森林（RF）模型，这是一种基于决策树的集成学习方法（Ahmad等人，2018年；W. Chen等人，2020年；Lee等人，2020年），作为数据补全策略，根据可用的建筑和邻里特征来估计缺失的能源标签。这一步骤通过提高数据完整性来支持后续分析。估计的标签在语义框架内明确表示，允许在分析过程中区分观察到的值和推断出的值。模型的训练和使用过程如图3所示。

3.4. 应用于城市能源贫困分析
文献中对能源贫困有多种定义。本研究基于三种已建立的定义来展示语义集成框架在城市背景下的应用。常用的定义包括家庭在能源服务上花费超过其收入10%的情况（Moore，2012年），以及低收入高能源成本（LIHE）（Siksnelyte-Butkiene等人，2021年）和低收入低能源效率（Laag Inkomen, Lage Energetische Kwaliteit, LILEK）（荷兰能源贫困监测机构，2019年和2020年 | CBS，无日期）。基于这三种能源贫困的定义，附录C展示了与这些定义相关的不同情况。根据10%的定义，将家庭在能源服务上花费超过其收入10%的家庭被归类为处于风险中。位于该线以下的邻里可能被认为不易受到能源贫困的影响，而位于该线以上的邻里则可能被视为处于风险中。根据LIHE定义，附录C(b)使用两条关键线来说明这种情况。垂直线标记了贫困线的130%，表明位于该线左侧的邻里低于这一收入阈值。水平线表示中位能源成本，意味着位于该线以上的邻里承担的能源成本超过了中位数。因此，位于左上象限的邻里由于其较低的收入和较高的能源支出而被认定为容易受到能源贫困的影响。

3.5. 实施与可视化
为了提高数据的可访问性并便于对收集的数据进行彻底的分析和解释，本研究开发了一个基于Python的转换器。该转换器专门设计用于将表格数据转换为RDF格式。这一转换过程简化了来自不同数据集的数据整合，确保与规定的数据结构兼容，并便于无缝的数据访问和使用。为了解决几何城市信息与图数据库之间的兼容性问题，本研究采用了Cesium作为存储和传输2D和3D几何数据的解决方案（Y. Chen等人，2018年；Kavisha等人，2018年）。使用Cesium包，本研究生成了3D地图，增强了城市数据的空间表示。此外，还使用了vis.js库来实现数据可视化，确保了复杂空间信息的清晰度和有效性。总体而言，这一实施结合了RDF转换、通过Cesium的几何数据整合以及通过vis.js的可视化，以支持集成城市能源数据的分析。关键改进包括全面的数据收集、详细的数据分解、用于RDF转换的Python转换器的开发、通过Cesium的几何数据整合以及使用vis.js库的数据可视化。这些元素增强了研究呈现城市能源动态的清晰度和详细性的能力。

3.6. 评估设计
为了评估所提出的语义数据集成方法是否支持一致且透明的城市能源贫困分析，本研究采用了能力问题作为评估工具。能力问题（CQ）用于确定语义框架是否能够完成研究问题中确定的分析任务，特别是那些与跨尺度数据对齐、多定义评估和分析透明度相关的任务。语义集成方法根据以下问题进行评估：
- 不同空间尺度的数据如何通过语义链接以实现跨空间尺度的能源贫困评估的一致性？
- 包括10%规则、LIHE和LILEK在内的不同能源贫困定义如何在集成框架内得到操作化？
- 在相同的语义环境中分析时，识别出处于能源贫困风险的邻里的方式在不同定义下有何差异？
- 包含预测的建筑能源标签在多大程度上改变了能源效率低建筑物的识别和聚合？
- 包含预测标签如何影响被分类为处于风险的邻里和家庭的数量和空间分布？
- 语义结构如何在空间层次、时间有效性以及观察值和预测值之间的区分方面支持分析结果的可追溯性？

4. 能源贫困的语义数据集成实施
本节介绍了所提出的用于城市能源贫困分析的语义数据集成框架的实施情况。它描述了开发的数据基础设施、集成工作流程和分析界面，以操作化该框架并支持对异构城市能源数据的结构化探索。

4.1. 数据基础设施与集成工作流程
图4展示了为实现所提出的语义集成框架而开发的实施架构。该系统架构包括五个层次：输入数据层、ETL层、数据库层、查询层和用户界面。该架构展示了通过共享的语义结构对齐和访问异构城市能源数据集的流程。

4.2. 分析界面与探索
为了方便访问集成数据，开发了一个名为NEO Dash的界面，以提供对语义集成框架的分析访问。该界面不仅仅是一个可视化工具，它还能够基于本体定义的语义结构构建和执行查询。附录D展示了该界面，它分为四个模块：空间可视化（地图）、查询构建（查询）、表格输出（表格）和语义结构（图形）。该实施的一个核心能力在于其对跨尺度和跨领域分析的支持。例如，在语义模型中，邻里、邮政编码区域和单个建筑物被链接起来，查询可以组合在不同空间层次上测量的变量。这种空间层次的链接减少了在没有正式对齐的情况下合并数据集时经常出现的歧义。此外，该界面提供了一种基于图形的表示方式，反映了实体、属性和测量程序之间的语义关系。这种表示方式允许用户检查变量的结构，包括类别、测量单位、空间层次和程序。通过明确这些关系，该界面支持对异构城市能源数据更透明的解释，并有助于制定分析上一致的查询。界面进一步区分了观察到的能源效率标签和预测的能源效率标签。通过在同一框架内表示这两种类型的值，查询可以考虑到数据来源和不确定性。简而言之，该实施展示了语义集成框架如何支持多尺度城市能源数据的结构化组合、检查和解释。该界面作为一种分析机制，在城市能源贫困分析的背景下操作化了所提出的方法。

5. 城市能源贫困评估的语义集成案例研究
本研究选择了埃因霍温作为案例区域，以展示语义集成数据集如何支持城市能源贫困的多维度评估。使用观察到的能源标签评估不同的能源贫困定义
将语义集成框架应用于埃因霍温的案例，以研究如何结合异构和多尺度的城市能源数据来进行能源贫困评估。该评估仅使用了观察到的能源标签进行分析。研究根据三种定义评估了能源贫困，并使用NEO Dash来展示结果。图5显示了评估的结果。
下载：下载高分辨率图像（996KB）
下载：下载全尺寸图像
图5. 不同定义下的能源贫困结果
详细来说，在收入占比10%的定义下，高风险社区形成了相对密集的模式，主要集中在北部、西南部和东部，南部还有几个额外的热点区域（图5a）。在不同收入群体中，能源贫困风险存在于较宽的收入范围内（低于50,000欧元），尽管收入低于35,000欧元的家庭中高风险案例的密度较高。
当应用LIHE（图5b）和LILEK（图5c）定义时，空间趋势基本保持一致，但高风险社区的总数显著减少。根据这两种定义，收入高于35,000欧元的家庭大多不在高风险类别中，这表明LIHE和LILEK采用的收入阈值缩小了受影响的人口范围。LILEK定义将低收入与能源效率低下的住宅联系起来（标签< C），从而导致识别出的风险区域进一步缩小。根据这一定义，收入高于33,000欧元的家庭不再属于高风险类别，高风险社区在空间上也更加集中。
这些定义之间的差异表明，能源贫困风险对所采用的概念和操作标准非常敏感。

5.2. 预测能源标签的整合
埃因霍温共有136,122栋住宅建筑，其中37.5%（51,099栋）缺乏官方记录的能源标签，这表明解决城市能源贫困评估中的信息缺失问题非常重要。为了解决数据不完整的问题，使用了随机森林模型来估计缺失的建筑物能源标签。预测的标签与观察到的值一起存储在语义框架中，同时保持了观察值和预测值之间的区别。图6展示了在包含预测能源标签后根据LILEK定义获得的结果。
下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图6. 包含预测能源标签的LILEK结果
与LILEK基线评估相比，纳入预测标签后，能源贫困风险的空间范围扩大了。一些之前未被分类的社区现在显示为高风险集群，分布在城市的北部、西北部和东部边缘。尽管整体模式与LILEK基线评估大致一致，但新增的集群反映了之前未标记的住宅具有较低预测能源性能的趋势。高风险社区的数量从300个增加到326个，家庭数量从5,630个增加到5,990个。
这表明纳入预测标签提高了评估的完整性，揭示了之前被缺失数据掩盖的脆弱区域。预测分析的整合展示了解决数据缺口并提供更完整的能源贫困分布图的重要性。

5.3. 比较性解释
表2提供了所有定义结果的比较总结，以综合社区和家庭层面的风险差异。
表2. 不同定义下的比较结果
定义/结果
高风险社区（个） 高风险家庭（个）
收入占比10% 2,843 57,170
LIHE 356 7,820
LILEK 300 5,630
包含预测能源标签的LILEK 326 5,990
表2显示了不同定义下识别的能源贫困风险规模的显著差异。收入占比10%的规则得出了最广泛的分类，涵盖了2,843个高风险社区和超过57,000户家庭，反映了其仅对支出负担的敏感性。LIHE定义得出的结果较为狭窄，有356个高风险社区和7,820户家庭，因为结合了收入和中位成本阈值排除了较高收入群体。LILEK定义通过纳入建筑能源性能进一步细化了风险集合，将数量减少到300个社区和5,630户家庭。此外，当包含预测标签时，数量分别增加了8.7%（326个社区）和6.4%（5,990户家庭）。这表明缺失的能源标签数据之前掩盖了脆弱区域。总体而言，这些差异表明每个定义捕捉到了不同的脆弱性维度，特别是关于能源标签的数据完整性，可以显著影响能源贫困风险的范围和空间分布。
除了数值差异外，该案例研究还表明，语义集成方法支持跨尺度分析和分析透明度。通过本体结构，异构数据被联系起来。仪表板界面通过地图、表格和图表表示提供了对这些结构化关系的访问，便于检查变量、空间层次和数据来源。这些特点共同展示了语义集成如何在多尺度数据环境中支持一致且可解释的城市能源贫困分析。

6. 讨论与启示
基于上述结果，本节讨论了研究的主要发现并反思了其分析意义。同时，也指出了当前方法的主要局限性，并概述了未来研究的方向。

6.1. 发现与验证
在埃因霍温实施NEO框架展示了其通过结构化语义环境将碎片化城市数据转化为可操作见解的能力。该案例研究是对本体的功能性验证，证明了其在城市能源贫困分析中的适用性。
通过在NEO语义结构中对异构和多尺度输入进行对齐，该框架使得来自不同空间尺度的数据能够进行语义关联（Milovanovi?等人，2025年）。这种整合使得多种能源贫困定义（如收入占比10%、LIHE和LILEK）能够在共同框架内进行操作和检验（Bouzarovski等人，2025年；Lu & Ren，2023年）。结果表明，尽管这些定义指向了相关的脆弱性模式，但它们揭示了不同的空间形态和风险规模。例如，在包容性阈值下发现的更广泛模式与在更严格条件下发现的狭窄、精确的模式形成鲜明对比。这表明，即使在不同评估标准之间切换，语义环境也能确保一致性和透明度。
本研究的一个重要发现是，可以整合随机森林模型来估计缺失的能源标签（Gawusu等人，2024年；Sun等人，2026年；Q.-C. Wang, Feng等人，2025年；Zheng & McKenna，2025年）。许多建筑缺乏官方的能源性能信息，这种数据的缺失会限制城市规模评估的准确性。通过使用随机森林模型，该研究为这些建筑生成了预测的能源标签，从而解决了关键的信息缺口。研究将这些模型输出作为实体存储在图结构中，使其能够以透明和系统的方式进行检查。将预测的能源标签作为图结构的一部分进行表示，使评估能够追踪这些新信息与其他空间和社会经济数据之间的相互作用。这种方法表明，纳入预测的建筑能源标签可以影响被认为能源效率低下的建筑的识别和汇总。此外，预测标签影响了被归类为高风险的社区和家庭的数量和空间分布。这些结果表明，NEO本体可以有效地作为预测建模与城市治理之间的桥梁。通过将建模数据整合到结构化的知识框架中，它使决策者能够以一致且可解释的方式使用预测见解。这支持了更明智的规划，并增强了数据驱动方法对公平和可持续城市政策的贡献潜力。
语义结构通过组织实体、属性、测量程序和时间有效性，增强了分析结果的可追溯性，使观察值和预测值可以并置而不混淆。由此产生的查询驱动界面NEO Dash基于这种透明度，支持多标准评估和交互式检查。因此，该系统为各种利益相关者提供了交流平台。例如，居民可以更容易地了解当地的能源状况，从而更好地理解他们的家庭如何适应更广泛的城市能源环境，并支持更明智地参与社区讨论。另一方面，城市管理者和政策制定团队可以使用该平台观察全市的能源需求和脆弱性模式。他们可以比较不同社区，识别预测数据和观察数据存在差异的区域，并研究不同的社会经济因素如何与能源压力相关。这种可见性使他们能够监测新兴风险，优先考虑干预区域，并评估现有措施是否产生了预期的效果。基础设施规划者和公用事业提供商也可以从该系统中受益。利用这些信息，他们可以更有效地安排能源改造升级，并与其他市政部门协调。
这项研究将语义集成视为对传统数据聚合方法的改进。大多数现有方法依赖于空间聚合，并将数据视为孤立层。这些方法在整合过程中经常丢失原始上下文和测量程序。NEO框架通过提供保留数据跨尺度意义和来源的语义框架，解决了这些限制。从表面级数据连接向深度语义推理的转变为城市治理提供了更可靠的基础。

6.2. 局限性与未来方向
虽然NEO框架增强了数据整合和透明度，但在未来的工作中仍需解决某些局限性。首先，使用社区层面的收入数据可能会引入一定程度的空间聚合偏差。虽然这种方法与当前的国家监测数据一致，但未来的研究可以纳入更多微观数据以支持家庭层面的脆弱性评估。其次，当前的整合侧重于数据对齐。迫切需要将利益相关者的观点和用户需求进一步纳入语义框架。未来的研究可以整合相关利益相关者的定性见解。这样的扩展将确保语义框架与现实世界的治理挑战保持相关性，并改善数据驱动见解与城市能源干预的实际需求之间的对齐。第三，本研究主要依赖于开放数据的可用性，并关注城市规模的背景，这可能限制了特定实证发现对其他数据基础设施不同地区的直接普遍性。未来的研究可以将框架扩展到跨区域比较和更多样化的城市背景，促进对不同地理和政策环境下的能源贫困的比较理解。

7. 结论
随着城市化的加速，能源需求急剧上升。城市能源消费集中在建筑和交通等领域。这些领域的能源消费对环境产生影响，同时城市人口的增长和生活水平的提高也进一步增加了能源需求（Liu等人，2021年，2023年；Q. C. Wang, Ren等人，2023年）。在创建可持续和节能的城市环境的过程中，城市能源数据的整合和管理已成为关键因素（Bibri & Krogstie，2020年；Keirstead等人，2012年）。本研究通过语义集成方法解决了由此产生的数据整合挑战。语义网技术的应用为这一挑战提供了有前景的解决方案，通过实现异构数据的互操作性，促进了能源消费模式的更细致分析（Pritoni等人，2021年）。
本研究讨论了语义网技术将碎片化的城市能源数据转化为更加集成和用户友好的信息环境的潜力，从而支持城市规划和能源管理中的决策过程。通过使用语义网技术整合不同尺度和领域的城市数据，本研究开发了NEO本体。NEO为管理多个空间和时间维度的城市能源数据提供了结构，重点关注社区层面的整合。基于这一本体，研究创建了一个相应的仪表板，称为NEO Dash。它通过地图、查询、表格和图表模块支持分析探索。更重要的是，语义结构形式化了建筑物、社区和汇总统计之间的关系，同时保留了空间层次、测量背景和数据来源的信息。这支持了跨尺度的 Consistency 并增强了城市能源贫困分析的分析可追溯性。
为了评估该框架，NEO本体和仪表板在埃因霍温的案例研究中得到了应用。该应用展示了语义技术在解决实际挑战中的实用价值。通过纳入各种能源贫困定义，研究在不同标准下展示了分析结果。这证实了语义环境能够支持对复杂贫困维度进行一致的比较（Alkire等人，2022年；D’Attoma和Matteucci，2024年）。在单一集成框架内操作化和比较多种定义的能力揭示了定义选择如何影响对脆弱社区和家庭的识别，从而突显了分析设计的治理相关性。此外，将随机森林模型整合进来以预测缺失的能源标签数据进一步增强了研究的稳健性。通过将预测的标签整合到语义结构中，同时保持观察值和推断值之间的清晰区分，该研究提高了透明度，并避免了掩盖数据局限性的问题。该研究提出了一个新颖的框架，将基于语义本体论的方法与机器学习预测相结合，用于评估社区层面的能源贫困问题。这可能有助于利益相关者在应对能源贫困挑战时做出决策。总之，该研究通过结合语义建模、机器学习和以用户为中心的界面设计，提出了一种综合策略。NEO和NEO Dash的结合加深了我们对能源贫困的空间和社会维度的理解。除了技术互操作性之外，该研究还表明，数据整合实践影响了社会能源脆弱性在城市治理背景下的识别和解释方式。它促进了具有更好可追溯性和数据重用性的城市能源分析。通过有意义地整合来自不同领域和格式的数据，该平台为城市治理和公平的城市能源规划提供了可靠的证据基础。

未引用的参考文献：
Wang等人，2023年；Wang等人，2023年；Wang等人，2025年；Wang等人，2025年

CRediT作者贡献声明：
Xuan Liu：撰写——原始草案、可视化、验证、方法论、概念化。
Sander de Meij：可视化、软件、方法论、数据管理、概念化。
Alex Donkers：可视化、验证、方法论。
Dujuan Yang：撰写——审稿与编辑、监督、项目管理、资金获取。