熊樱子¹  钱嘉宏²  梁浩³  魏祎璇⁴   夏亮⁴  李庆平²  王国建²  潘嵩¹

1 北京工业大学建筑工程学院；2  北京住宅建筑设计研究院；3 住房和城乡建设部科技与产业化发展中心规划发展处；4 宁波诺丁汉大学理工学院

       【摘   要】人工神经网络是机器学习中的一类算法，通常用于解决分类和回归问题。本研究试图利用机器学习技术，即利用BP（Error Back Propagation Network）神经网络的自学习、自适应和泛化能力来寻求更具通用性的开窗行为建模方法。通过与既有的逻辑回归方法进行比较，发现人工神经网络对办公建筑人员开窗率的预测精度在70%左右，明显优于逻辑回归方法，具有较高的预测精度和可靠性。

       【关键词】人员开窗行为；BP神经网络；自然通风；办公建筑

Abstract: Artificial neural networks are a classical algorithms in machine learning and are often used to solve classification and regression problems. This study tried to use machine learning technics, i.e. Artificial Neural Network (ANN) which has well self-learning, self-adaptation and generalization capabilities, to achieve office building window behavior modelling. The prediction accuracy of artificial neural network for office building window behavior modelling is about 70%, compared with logistic regression modeling method, the ANN has higher prediction accuracy and reliability.

0 引言

       机器学习是多种从数据中发现规律的一类理论方法的统称，它是人工智能的一个分支，致力于研究如何通过计算的手段，利用数据作为经验来改善系统的自身性能。机器学习所研究的主要内容是使用计算机从既有数据中产生模型，即学习算法。在面对新问题时，基于这些数据产生的模型便可以提供相应的判断。它包括分类、回归、聚类、降维等方法。根据训练数据是否拥有标记信息，可分为“监督学习”“无监督学习”，分类和回归是前者的代表，而聚类是后者的代表。人工神经网络是机器学习中的一类算法，通常用于解决分类和回归问题^[1]。

       神经网络原理是利用网络的学习和记忆功能，让神经网络学习各个类别中的样本特征，在遇到待识别样本时神经网络利用记住的特征信息对比输入向量，从而确定待测样本所属类别^[2]。BP 神经网络是目前发展较成熟的一种神经网络模型，是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传递。其网络结构如图1所示。BP神经网络具有非线性映射能力强、并行分布处理、自学习和自适应能力强以及数据融合能力强等优点^[3]。

图1 BP 网络结构图

       为了更好地实现自然通风系统的设计与控制，人员开关窗行为的影响因素分析以及模型建立越来越受到重视^[4-10]。目前经典的人行为（包括开关窗行为）预测模型主要基于logistic回归法和马尔科夫法^[11]。使用 BP 神经网络分类的方法来预测开窗行为，既可以利用黑箱模型的优势来规避开窗行为中生理、心理等难以量化的影响因素，又可以利用 BP 神经网络的自学习、自适应和泛化能力来寻求更具通用性的开窗行为建模方法。所以，在人行为研究中应用机器学习的方法，探究基于BP神经网络的办公建筑人员开窗行为预测方法，具有很强的创新意义。

1 测试概要

       为了研究寒冷地区过渡季高校办公建筑室内人员开窗行为，以北京某高校办公建筑为例，从2015年3月16日到2015年5月16日对北京某大学办公建筑二层5间办公室的室内人员开窗行为做了为期两个月的实时监测。这五间办公室面积和布局几乎都相同，如下图1-1。二层办公室的建筑面积都在10m²左右，并且都有一个朝南滑动的平开窗。在测试期间，每间办公室内只有一个办公人员。在过渡季，该建筑室内环境调节方式主要采用的是自然通风。

图1-1 试验用办公楼（左）和典型办公室（右）

       测试仪器主要选取能够自动记录数据的自记仪器，其中室内温度的测量是由中国建筑科学研究院生产的室内温度传感器TR（v1.2）监测，为保证其精度。在测试之前使用德图温度计testo 650对该仪器进行标定。在后期测试中，保证每月对温度传感器进行重新标定。图1-2为各测试仪器的安装和布置方法。

图1-2 测试仪器的布置方法

2 基于BP算法的开窗行为建模

       在建模过程中，不考虑窗户的开度，将开窗行为简化为二分类的问题，即开窗状态为“开”或者“关”两种状态。我们设定“1-开”或者“0-关”，所以在预测开窗状态时需预测的值是离散值，采用机器学习中分类的方法。

图2-1 基于BP算法的开窗行为建模思路

       所以基于BP算法的开窗行为建模方法思路如下图2-1：根据对开窗行为的影响因素分析，选择适合的特征参数作为输入量。采用BP网络进行分类：建立合适的BP网络结构和设定合适的参数，使用训练组数据训练BP网络。达到要求设定要求后，使用预测组数据进行检验，分类的准确率即为对开窗行为预测的准确率。为了测试网络是否有好的泛化能力，将实测数据按比例分成训练组和预测组，训练组用于训练BP网络，预测组用于检验BP网络。预测组用于检测所训练模型的性能，对训练过程无影响。

3 BP 模型的结果分析

       本研究的实验仿真在matlab R2016b程序上实现。对于特征参数选择，我们考虑以上6个对办公建筑人员开窗行为有明显影响的环境参数，具体为室内温度、室外温度、室外风速、日照小时数、室外湿度、室外PM2.5浓度。BP神经网络结构为6-25-1。采用Levenberg-Marquard，训练函数选用trainlm。本研究采用不同数据量的样本，分别进行了20次实验，具体信息如表3-1所示。样本数据量分别为从总样本中随机选取，训练组与预测组样本数量比例为4:1，预测组用于检测所训练模型的性能，对训练过程无影响。

表3-1 各实验总数据量


图3-1 20次不同数据量的预测结果

       由图3-1可以看出，对于本研究关于窗户状态预测的8次实验，BP模型对窗户状态预测的准确率基本维持在70%以上，多组实验预测准确率达到了80%。这说明使用BP神经网络分类的方法建立开窗行为的模型是具有适用性的，并且预测准确率可以维持在较高的水平。

图3-2   前三组数据的20次随机预测结果（左） 图3-3   后五组数据的20次随机预测结果（右）

       由图3-2 可以看出，总数据量在1800组以下时，即少于10天的实测数据量。预测的准确率不稳定，准确率在40%-80%之间波动，表现出较强的随机性。由图3-3可以看出，数据量超过1800以后，即多于10天的实测数据量。训练的准确值基本维持在70%以上。

       为了对比分析BP模型和Logistic回归建模的对于窗户状态预测的准确率情况，使用相同的数据建立逻辑回归模型进行对比分析。建模数据使用MATLAB软件按照表3-2的数据量随机挑选。各组实验模型及其预测准确率如表3-2所示：

表3-2 使用相同数量建立的Logistic回归模型

       由表3-3中的数据了计算出BP模型的不同数据量的20组随机试验的平均预测准确率，与logistics回归模型的准确率如表3-3和图3-4所示。

表3-3 BP模型与logistics回归模型的准确率对比


图3-4 BP模型与logistics regression模型的的准确率对比

       由图3-4可以看出，对于本研究关于窗户状态预测的8次实验，BP模型对窗户状态预测的准确率基本维持在70%以上。逻辑回归建模对窗户状态预测的准确率基本维持在60%左右。相比于逻辑回归建模的准确率，对于本研究中的8次实验，BP模型用于窗户状态预测的准确率明显优于逻辑回归的准确率，提高的准确率基本也在10%左右。因此，总体来说，将BP模型用于预测窗户状态具有良好的适用性，并且相比于逻辑回归模型也表现出绝对的优越性。

4 结论

       本研究试图利用机器学习技术，即利用BP神经网络来预测开窗行为。基于某办公室过渡季人员开窗行为的大量数据，BP神经网络对办公建筑人员开窗率的预测精度在70%左右，明显优于逻辑回归方法，具有较高的预测精度和可靠性。这说明将 BP 模型用于预测窗户状态具有良好的适用性，并且预测准确率可以维持在较高的水平，相比于逻辑回归模型也表现出绝对的优越性，为今后人行为的建模方法提供了新思路。

参考文献

       [1]周志华. 机器学习[M]. 清华大学出版社, 2016.
       [2]王宏涛，孙剑伟，基于 BP 神经网络和 SVM 的分类方法研究[J]，软件，第36卷第11期，2015年，10.3969/j.issn.1003-6970.2015.11.024
       [3]李文婷，基于BP神经网络和SVM的信息分类方法的研究[D]，南京师范大学硕士学位论文，2011年
       [4]Haldi, F. and D. Robinson, Interactions with window openings by office occupants. Building and Environment, 2009. 44(12): p. 2378-2395.
       [5]Herkel, S., U. Knapp, and J. Pfafferott, Towards a model of user behaviour regarding the manual control of windows in office buildings. Building and Environment, 2008. 43(4)(4): p. 588-600.
       [6]Rijal, H.B., et al., Using results from field surveys to predict the effect of open windows on thermal comfort and energy use in buildings. Energy and Buildings, 2007. 39(7)(7): p. 823-836.
       [7]Wei, S., R. Buswell, and D. Loveday, Factors affecting ‘end-of-day’ window position in a non-air-conditioned office building. Energy and Buildings, 2013. 62(0): p. 87-96.
       [8]Yun, G.Y. and K. Steemers, Time-dependent occupant behaviour models of window control in summer. Building and Environment, 2008. 43(9)(9): p. 1471-1482.
       [9]Yun, G.Y. and K. Steemers, Night-time naturally ventilated offices: Statistical simulations of window-use patterns from field monitoring. Solar Energy, 2010. 84(7)(7): p. 1216-1231.
       [10]Zhang, Y. and P. Barrett, Factors influencing the occupants’ window opening behaviour in a naturally ventilated office building. Building and Environment, 2012. 50(0): p. 125-134.
       [11]Hosmer, D.W. and S. Lemesbow, Applied logistic regression (2nd Edition). Second Edition ed. 2000: New York: John Wiley & Sons, Inc.

       备注：本文收录于第21届暖通空调制冷学术年会（2018年10月23～27日，中国·三门峡）论文集。版权归论文作者所有，任何形式转载请联系作者。