推广 热搜： 采购方式滤芯甲带带式称重给煤机气动隔膜泵减速机型号无级变速机链式给煤机履带减速机

基于人工智能技术的室内环境预测研究进展报告

日期：2026-03-27 13:41:20 来源：网络整理作者：本站编辑评论：0

1

背景

随着建筑节能和室内环境舒适性与健康需求的提升，精确而高效的室内环境预测技术成为了研究热点。人工智能技术在解决复杂的室内环境预测问题中表现出巨大的潜力。本次报告将介绍2025年下半年发表的相关研究，研究人员关心的内容包括：（1）激活函数的选择（2）时滞效应（3）空间上的外推（4）物理约束的引入（5）通过稀疏数据重建环境（6）以人员为中心的控制。关于之前室内环境预测研究的读书报告可以阅读：CSE读书报告分享 | 室内环境预测数据驱动方法研究进展其中，重点关注室内气流组织预测研究的读书报告可以阅读：CSE读书报告分享 | 基于机器学习技术的室内气流预测方法研究和进展 CSE读书报告分享 | 快速预测室内气流组织的方法和进展

2

研究进展

2.1 激活函数的选择

为了解决神经网络预测室内非等温气流场时激活函数选择模糊不清的问题，Hu等人[1]评估了不同激活函数在预测精度与平滑性上的差异。MLP模型的输入为送风速度、送风温度、产热、x坐标、z坐标、点到入口的距离Lv、点到热源的距离LQ，点的角度α，耦合参数，输出为速度值和温度值。

根据测试结果，预测精度（平均RMSE）的顺序为Leaky ReLU、ReLU、Sigmoid、Tanh、SELU和ELU。 Leaky ReLU 和 ReLU 预测精度最高， Sigmoid结果则比较平滑。对于Leaky Sigmoid，较高α往往会阻碍收敛，较高β则增强预测结果的平滑度。

图1.常见激活函数(b)和其导数(c)，Leaky Sigmoid(d)和其导数(e)[1]

图2.不同激活函数的模型预测结果决定系数。灰圈表示送气口附近。红圈表示边界墙附近。绿圈表示出口附近。黄圈表示低速区域[1]

2.2 时滞效应

为了解决现有数据驱动模型无法有效捕捉温度动态的时滞效应和非线性特征的问题，Mu等人[2]提出了时滞互相关Transformer模型。该研究将冬季采集到的时间序列进行重构，计算室内温度序列与不同时间延迟τ下室外温度、风速、供水温度序列的皮尔逊相关系数，然后将多个时滞下计算得到的相关系数按行排列为新矩阵，通过时滞互相关聚合块，获得不同时滞的权重，确定时滞依赖性。该模型均方根误差、平均绝对误差和平均绝对百分比误差分别为0.6918、0.5662和0.8842。低于其他的Transformer模型和常用的MLP、LSTM等模型。

图3.时滞矩阵[2]和图4.时滞集合计算[2]

图5.互相关块[2]

图6. TDCCformer模型和其他常用模型和Transformer模型的误差[2]

Huang等人[3]为解决大型室内空间中CO2浓度与人员数量动态耦合机制建模不足的问题，在图书馆内布置了两个人员计数器和七个传感器（CO2/湿度/光)，由于来自不同传感器的时间分辨率不同（6/30min），为避免舍弃高分辨率传感器的数据，引入两个时滞节点，每个滞后间隔为12min，将时序数据进行重组。不同传感器的时间序列为图结构的节点，而在连接上不使用传统的物理距离上的连接，而是使用皮尔逊相关系数计算不同时间序列之间的连接强度，非常弱的相关性则不连接，因此可以认为连接存在动态变化。

图结构和通过线性层的日类型数据（工作日/休息日）进行加合，被送入到时空注意力模块中进行编码，然后通过GCGRU和MLP层进行解码，得到预测结果。在单步预测时，无论是提前几天预测，该模型表现最佳。在多步预测时，输入6h数据，预测6或12h的未来数据，所提出模型具有最高的决定系数89.8%和81.2%，误差最低。

图7.时间分辨率差异和时滞节点[3]和图8.集成数据的初步统计分析[3]

图9.AST-GCGRU 模型结构[3]

图10.不同模型的单步预测性能对比[3]

2.3 空间上的外推

为了加速城市环境中气流的大涡模拟，Calzolari和Liu[4]提出了能用于非结构化网格的，使用图模型GAT作为生成器和鉴别器的GAN模型。该模型的输入为1个时间单位后的25个2D流场图，输出为稳定后的2D流场，该模型能预测不同建筑长、宽、高、间距、来流速度以及参考高度对应的速度场。测试集平均绝对误差为0.12（风速范围0–8 m/s），结构相似性达0.949。

图11.方法示意[4]

图12. 训练集（左）和测试集（右）结果[4]

Jiang等人[5][6]将对比了CNN + Transformer 和 GNN + Transformer预测医院天花板的温度和湿度变化的性能，以选择更好的模型预防霉菌生长。室内外温湿度和二氧化碳浓度时间序列，以及集合空间结构的送风和回风的温湿度、送风速度时间序列，被送入到网络中，提取空间特征并按时序排列送入到Transformer中，预测输出6个位置未来一天(144步）的温湿度。

模型根据医院实测数据训练得到，在检查泛化性时，测试四个场景：房间面积缩小/放大，风口位置按比例改变，总送风量不变；房间不变，送风量增加/减少。该研究认为，和训练集差异更大的场景，如2、3、4中，GNN + Transformer 模型的泛化性更佳。将CNN+Transformer 模型和NSGA-III优化算法结合，以节能、满足热舒适、防止霉菌生长为目标，得到最优解。和不考虑霉菌生长的优化目标相比，送风温度略高，湿度略低。

图13.模型架构[5][6]

图14.训练集和测试集J-S散度计算（左）和Wasserstein距离计算（右）的结果，以显示分布之间的差距[5][6]

表1. 模型性能[5][6]

2.4 物理约束的引入

Wei和Ooka[7]使用物理神经网络解决室内气流时间外推预测问题。CFD模拟了0-2925单位时间（送风口宽度/送风速度）的2d流场，其中0-146单位时间被用作训练，这部分捕捉了关键的物理行为，包括涡流形成、扩张以及与墙壁的初始相互作用，195-536单位时间被用作测试，这部分涡流继续膨胀和移动，与壁充分接触并发生变形。

PINN预测的合速度、x速度分量、y速度分量和压力的绝对误差分别为ANN误差的84.2%、72.5%、77.8%和98.3%。相比ANN，PINN随着时间的推移更能保持涡旋的完整性。在缺少边界条件的情况下（W代表不使用入口边界，I代表不使用壁面条件），PINN-W 和 ANN-W 的涡流趋于消散，PINN-I 和 ANN-I 气流逐渐从右壁流出。但整体上还是PINN更稳健。

图15.ANN（左）和PINN（右）[7]

图16.预测结果[7]

图17.缺少边界条件的预测结果[7]

2.5 通过稀疏数据重建环境

Liang等人[8]针对固定传感器网络、人工巡检等传统室内环境质量评估方法在时空维度上的局限性，提出一种基于高斯过程回归（GPR）的框架，通过对稀疏移动传感数据进行插值和处理，重建高分辨率时空IEQ分布（如温度、PM2.5、TVOC）。

该研究按时间顺序或区域划分训练集和测试集。在房间中点燃熏香，搭载传感器的机器人以3m/min的速度按轨迹在49平的房间内进行移动，采样频率为10s。在时间划分中，模型基本能捕捉污染物变动的趋势。在空间划分中，在远离香的区域预测依然非常准确，但靠近香的区域作为测试集时，决定系数则会降到0.5-0.6。

研究中还提出了自回归GPR，即每次新采样到的数据会被补充到训练数据中，然后在一定时长后使用新数据集重新训练GPR模型，使模型能适应环境变化。他们在实验室中进行了测试，在第三十时间步时，模型预测已经相当准确。

图18.案例设置图[8]和图19.实验采集的数据示意[8]

图20.自回归 GPR框架示意图。顶行表示每个时间步采样两个位置数据，底行表示模型在每个时间步对所有空间区域的预测[8]

图21.自回归GPR每次重新训练后的预测结果[8]

Hu等人[9]结合离线和在线稀疏数据进行重建室内流场。数据集包括6-15ACH以及20-26℃的40个速度场案例，还额外增加了5个不同风机功率案例。使用POD方法训练得到基础预测模型，然后根据实际传感集采集的稀疏数据，由Gappy POD方法（在数据缺失方法下通过掩码矩阵重新计算得到模型系数）重构病房速度场。

在根据CFD稀疏数据重建流场的过程中，比较了两种传感器放置策略：随机和光谱聚类，哪种策略能在更短的迭代次数中获得最佳的传感器放置位置，即该位置采集的稀疏数据重建的流场精度更高。光谱聚类方法计算相似度矩阵以评估测量点之间的相似性，采用拉普拉斯方法进行特征值分解，将点分类。结果表明，只有点数较小时，光谱聚类策略才具有明显的优势。

而使用实际传感器数据进行流场重建时，发现放置15个传感器时误差相对较低，两个横截面误差分别为13.6%和12.36%。当仅使用10或更少时，重建误差甚至超过模拟误差。

图22.（a）CFD模拟得到离线数据集；（b）实验获得在线数据集；（c）POD过程；（d）Gappy POD 重建过程[9]

图23.两种策略的重建误差比较[9]

图24.Y = 0.88 m处切面（左）和X = 2.5 m 处切面（右）采样点数量和误差的关系[9]

2.6 以人员为中心的控制

Zhong等人[10]将基于视觉的实时人员活动识别有效地集成到基于强化学习的以人员为中心的控制算法中，以提高热舒适性和能源效率。他们提出了拓扑感知超图Q网络。超图由一组顶点和超边组成，其中超边连接任意数量的顶点。该研究基于建筑物内执行器的空间拓扑构建了超图，执行器为顶点，同一区域内的执行器由超边组合，如果相邻区域间的热交换超过设定阈值，则添加一条边。该结构被纳入强化学习Q网络（预期累计奖励）。

从房间内监控获取视频，使用头部检测算法来检测人员的存在和数量，使用开源库Openpose追踪人体部位关键点，以估计人员姿态和活动，从而可以计算PMV和PPD(风速、湿度、着装固定值)。强化模型的状态有三大类，执行器的模式或供回水温度，人员活动以及环境参数（室内温湿度和室外温度）。奖励计算则设定为平均PPD和带权重的功耗之和。和以固定舒适温度范围的方法相比，该算法使预测的PPD分别降低了20.9% 和25.6%，同时能源效率提高了21.1% 和13.7%。

图25.拓扑感知超图 Q-Network[10]

（a）：基于建筑拓扑的超图构建，其中执行器（描绘为实心圆）被组织成不同的超边（用虚线表示）（b）：从所提出的拓扑感知超图中得出的Q网络的可视化[10]

图26.固定舒适温度范围和基于PPD奖励的效果可视化[10]

3

总结

为了能够真实应用于复杂多变的现实环境，室内预测数据驱动方法正不断发展。

（1）日益聚焦多因素动态耦合建模，但对因素的组合和排列方式的科学解释不足。

（2）高度重视泛化性能优化，尤其在数据稀缺场景下提升模型适应能力。然而目前的模型性能仍比较有限，在一些限定要求下才能够准确预测未知任务。

（3）感知人的存在以及行为，但在隐私问题/侵入问题上仍需考虑，多人场景下如何实现个体的热舒适还需进行探究。

4

参考文献

[1] X. Hu, Effects of different activation functions on multilayer perceptron performance for predicting indoor airflow fields, Building and Environment 285 (2025) 113680.

[2] Z. Mu, Y. Chen, H. Pan, Y. Jiang, Novel Transformer-like predictive model for improving the accuracy of indoor-temperature prediction, Applied Thermal Engineering 278 (2025) 127120.

[3]C. Huang, H.H.L. Kwok, K.H. Poon, Z. Wu, F. Hou, J. Ma, J.C.P. Cheng, Graph-based spatial–temporal prediction and feature interaction analysis of CO2 and occupant in large indoor space, Building and Environment 280 (2025) 112963.

[4] G. Calzolari, W. Liu, Accelerating Large Eddy Simulations of Urban Airflow with Generative Adversarial Networks, Building and Environment 286 (2025) 113622.

[5] K. Jiang, Predictive modelling and multi-scenario validation of indoor micro-climate thermal-humidity conditions, Journal of Building Engineering 111 (2025) 113474.

[6] K. Jiang, Optimization of air supply parameters for predicting indoor temperature and humidity under indoor mold index constraints, Energy and Buildings 345 (2025) 116050.

[7] C. Wei, R. Ooka, Applying a physics-informed neural network to an indoor airflow time-extrapolation prediction, Building and Environment 282 (2025) 113246.

[8] W. Liang, Y. Zhang, A. Chong, E.C. Hameen, V. Loftness, Exploring Gaussian Process Regression for indoor environmental quality: Spatiotemporal thermal and air quality modeling with mobile sensing, Building and Environment 281 (2025) 113143.

[9] L. Hu, Z. Liu, Y. Sun, R. Rong, C. Hu, A data-driven approach to estimate flow fields from sparse distributed sensors in negative pressure wards, Building and Environment 281 (2025) 113212.

[10] D. Zhong, T. Xing, K. Sun, Z. Zhang, Q. Zhao, J. Kang, Topology-aware hypergraph reinforcement learning for indoor occupant-centric HVAC control, Energy and Buildings 347 (2025) 116219.

图文内容：郑雨霖

编辑：方中乐

浙大C.S.E.

欢迎关注我们！

打赏

更多>同类资讯

0 条相关评论

推荐图文

推荐资讯

点击排行