集成学习热感觉校准模型

预测精度提升35%

该模型针对不同短期热历史人群分别校准热感觉投票尺度，解决了传统通用尺度在个体差异下的偏差问题。

Liang, Yuan · Rong, Qu · Tianyu, Chen · An, Na · 黄辰宇 · Yao, Jiawei

Building and Environment 2023

参数信息

预测准确率提升

35.04 %

相关系数提升

0.57

空气温度影响权重（有空调经历组）

28.8 %

平均辐射温度影响权重（无空调经历组）

32.2 %

技术优势

分群校准更准

针对有空调使用经历和无空调使用经历的人群分别校准，预测准确率提升35.04%，相关系数增加0.57。

揭示关键因素

使用Shapley值分析发现，空气温度对有空调经历人群影响更大（28.8%），平均辐射温度对无空调经历人群影响更大（32.2%）。

识别群体差异

有空调使用经历个体的热不可接受投票更高，且对环境的期望投票也更高，揭示了热历史对主观感受的显著影响。

应用场景

• 智能建筑环境控制：提供分人群校准的热感觉预测，优化个性化温控策略。
• 热舒适评估工具：校准后的TSV尺度可直接集成，提升热舒适评估精度。
• 城市热岛监测：揭示不同热历史人群的热感觉差异，支持精细化热风险预警。