基于BP神经网络的海口住宅室内气温预测

邢彩盈，张京红，黄海静

(1.海南省气候中心，海南 海口 570203；2.南海气象防灾减灾重点实验室，海南 海口 570203)



基于BP神经网络的海口住宅室内气温预测

邢彩盈1,2，张京红1,2，黄海静1,2

(1.海南省气候中心，海南 海口 570203；2.南海气象防灾减灾重点实验室，海南 海口 570203)

利用2014年1月—2015年12月海南海口居民住宅室内小气候观测数据和室外气象要素，基于BP神经网络构建海口住宅室内气温预测模型，通过与统计回归模型相比来综合评估模型的预测效果。结果表明：BP模型预测精度较高，不同季节预测精度存在差异，春秋季精度最高、夏季精度最差，其中地温加入对模型预测精度有较大改进。不同季节采用地温的BP模型对室内气温的预测值与观测值的均方根误差分别为0.25 ℃、0.62 ℃、0.26 ℃和0.52 ℃，平均绝对误差均小于0.5 ℃，即误差均在合理范围内。且预测精度(RMSE)较统计回归模型分别提高了26.5%、34.7%、56.7%和25.7%。可见该模型可以满足海口居民住宅室内气温的预测需求，可为室内居住环境、建筑能耗研究提供有效的基础数据。

住宅室内气温；BP神经网络；逐步回归；预测模型

1 引言

随着海南城市经济与社会的发展，居民生活水平的提高，对居住舒适度的要求大大提高，人们越来越关注建筑内部小气候状况。相对于建筑外部环境而言，建筑内部小气候与人类生活的健康舒适关系更加紧密，其优劣对人的情绪和健康会有直接影响[1-2]。海南地处于热带地区，年平均气温较高，近几十年来高温日数呈显著的增长趋势，极端高温事件也偏多[3]。在气候变暖和城市热岛效应的双重影响下，海南城市居民住宅区内的体感舒适度大大降低。因此，有必要对海南城市居民住宅室内小气候进行研究，这既能为改善居住环境质量提供有力依据，也进一步拓宽气候服务的领域。

熟悉建筑室内的小气候特征对建筑工程有着重要的意义。以往研究多集中在农业温室小气候方面[4]，而对建筑室内小气候要素的研究相对少，且主要集中于对其变化特征的分析[5]，在室内温湿度的模拟预测方面(尤其在热带地区)研究较少。由于对建筑室内小气候的研究大多基于临时观测，使得在室内居住环境、建筑能耗等方面研究受到限制，可见如何获取合理的建筑室内小气候预测数据具有重要的切实意义。目前研究中多采用统计回归模型。沈铁元等[6]基于逐步回归建立起武汉盛夏民宅室内温湿度的预报方程。李环姣等[7]利用多元线性回归构建了西安学生宿舍的室内温湿度预报方程。现有日光温室小气候预测模型研究中多次引入BP神经网络算法构建预测模型[8]，可见利用神经网络建立非线性预测模型是切实可行的。

因此，本研究基于对住宅区的室内小气候观测，利用BP神经网络构建居民建筑室内气温的预测模型，评估其预测优势，以期适用于海口地区住宅室内气温的预测中，为居民建筑能耗的研究打下基础，也为探讨居民建筑物的空调设计方面提供有效的基础数据。

2 资料与方法

2.1 观测资料

住宅室内观测资料来源于海南省气象局大院住宅室内小气候观测试验，观测时间为2014年1月—2015年12月。观测点为位于2楼的板楼型住宅，东西朝向，室内面积约为75 m2，层高3 m左右。

采用HOBO Pendant UA-002-08温度光照度记录仪对住宅室内进行24 h的连续观测，数据每隔l h自动采集一次，观测项目为室内逐时气温、室内相对光照强度值。建筑外部的气象环境通过建筑影响住宅室内的热环境，因此选取的室外气象数据是来自距离小气候观测地点最近，且与建筑附近气候条件相似的气象观测站，观测要素有逐时气温、相对湿度、云量、日照时数、风速和地表温度等，并对站点资料进行质量控制及数据处理。

2.2 BP神经网络模型

BP神经网络是一种按误差逆传播算法训练的多层前馈人工神经网络，是目前应用较广泛的神经网络模型之一。基于非线性映射、自学习和自适应、容错性等优点。本文利用BP 神经网络构建住宅室内逐日气温的预测模型，并与线性回归模型进行对比分析。

2.2.1 模型输入层因子 选取建筑室外各气象观测资料作为室内气温预测模型构建的备选因子。为保证充足的建模样本数，分季节进行建模，提高预报精度。常见的对建筑室内气温影响较大的气象因子主要有室外日平均气温、相对湿度、风速、日照时数、前一日最高气温和当日最高、最低气温等。研究表明，地温对地上建筑物的热过程也有很大作用，一定程度上影响着住宅的室内温度，尤其对低楼层影响更为显著[9]。因此，本文建模中考虑加入地温因子。

表1给出了海口住宅室外各气象要素与室内日平均气温的相关关系。可看出，室内气温与建筑室外各个温度因子相关性均较大，与日平均风速、日照时数的相关性相对较差。其中，与不同深度层地温的相关性普遍高于其他因子，在夏季和冬季表现尤为明显。

表1 海口住宅室内日平均气温与室外气象因子的相关关系

注：**、*分别表示相关系数通过0.01、0.05水平的显著性检验，下同。

为了解决神经网络输入变量间单位及数量级不一致的问题，采用归一化将样本数据控制在0～1的范围之间，计算公式为：

(1)

式中，Xio为观测数据；Xmax、Xmin分别为观测值的最大值和最小值。

2.2.2 BP神经网络模型 模型结构为3层，第1层为神经网络输入层节点，即对应模型的输入变量(表1)，春夏秋季模型均采用10个输入变量，冬季采用8个输入变量。隐含层节点根据多次训练试验获得，本文中取3。第3层为模型输出层，采用1个输出节点，即住宅室内日平均气温。模型结构图如图1所示.

图1 3层BP神经网络结构Fig.1 Three layers BP neural network structure

隐含层和输出层传递函数采用S型函数，即：

(2)

其中，xi为输入层的神经元值，c为常数(此处取1)。

输出层神经单元的输出信号为：

(3)

(4)

(5)

2.3 逐步回归模型

为比较BP神经网络预测模型的精度，利用逐步回归构建多元线性回归模型进行比较，预测方程为：

Y=b0+b1X1+b2X2…+bnXn+ε

(6)

其中，b0为常数，Xi为逐步回归中通过显著性F检验引入模型的因子(i为1—n)，b1—bn为对应的回归系数，ε为随机误差。参与建模的因子与BP神经网络模型的输入层神经元一致(表1)。

2.4 模型评估指标

利用均方根误差RMSE和平均绝对误差MAE对居民建筑室内气温预测模型进行评估，计算公式如下：

(7)

(8)

为了避免预测模型的过分拟合，需采取独立样本进行检验。即选取不参与建模的独立样本序列作预报试验，这样能较好评估预测方法和模型的预测技巧和稳定性。

3 结果分析

基于居民住宅室内气温与室外环境气象条件的关系，利用BP神经网络对住宅室内日平均气温进行模拟预测，并与逐步回归模型进行对比，综合评估模型的预测效果，为不同季节室内日平均气温的预测提供依据。

3.1 BP神经网络模型结果

针对各个季节，选取住宅室内外气象要素作为BP神经网络的训练样本(表 2)，对其进行BP网络训练，完成网络训练和检验后得到一组网络权值与阈值，据此输入预测样本序列(表2)进行试预报检验。BP模型的相关参数配置为：输入节点即输入神经元个数，春季、夏季和秋季均为10个，冬季为8个，输出节点为1，隐含节点根据试验选择误差最小的(本文为3)，初始学习概率为0.01，目标误差为0.000 1。

表2 BP神经网络模型训练的输入数据和模拟数据

图2给出了BP神经网络模型的预测效果(以各季节某个月份为例)，可看出BP神经网络预测模型很好地预测出室内气温的变化趋势，预测精度较高。模型预测值与观测值的均方根误差RMSE分别为0.25 ℃、0.62 ℃、0.26 ℃和0.52 ℃，平均绝对误差MAE均小于0.5 ℃(表4)。不同季节模型预测精度存在差异，春季和秋季预测精度最高，夏季预测精度最差。

图2 2015年3月(a)、8月(b)、9月(c)和12月(d)基于BP神经网络的住宅室内气温预测结果Fig.2 Daily residential indoor temperature prediction results based on BP neural network in 2015(a.March; b.August; c.September; d.December)

3.2 逐步回归模型结果

基于表1中的相关性分析，利用逐步回归分析进行建模，各个季节建模序列和独立检验样本序列的长度选取如表2所示。

从各预测方程(表3)可看出，每个模型选入的变量存在差异，但建筑室外40 cm地温常被选作为最佳预报因子，可见它是影响室内日平均气温的重要因子。由决定系数可看出各季节模型的拟合精度均较高，夏季模拟精度略低些。

表3 基于逐步回归的海口居民住宅室内日平均气温预测模型

3.3 模型效果对比

为综合比较上述两个模型的预测效果，对预测检验时段的所有试预报结果进行整合(图3)。整体而言，加入地温的BP神经网络预测模型的预测精度最佳。如表4所示，该模型在春季、夏季、秋季和冬季对室内气温的预测值与观测值的均方根误差RMSE分别比逐步回归模型提高了26.5%、34.7%、56.7%和25.7%，平均绝对误差MAE分别提高了23.3%、44.7%、54.0%和15.4%；对于BP神经网络建模，采用地温因子的模型比未采用地温的模型在春季、夏季、秋季和冬季的预测精度(RMSE)分别提高了51.0%、18.4%、55.2%和29.7%。可见，非线性预测模型在住宅室内气温预测方面具有较大的优势，同时地温的加入对模型的预测精度有较大改进。

图3 海口住宅室内气温BP神经网络模型(a)与逐步回归模型(b)的预测效果比较Fig.3 Comparison of residential indoor temperature prediction results between BP neural network and stepwise regression analysis in Haikou

分季节来看，对于两种不同的方法，春季和冬季的预测精度差异相对较小，而夏季和秋季BP神经网络模型的精度则明显高于逐步回归；对于BP神经网络模型，夏季模型是否加入地温对预测精度的提高影响相对较小，而其他季节都有了明显的提升。这一方面可能是由于BP神经网络方法本身的局限性造成；另一方面可能由于盛夏高温天气多，空调使用造成了一定的干涉，而其他季节干扰较小。

表4 不同季节海口住宅室内气温预测误差比较

注：A为未采用地温，B为采用地温。

4 结论与讨论

通过对2014—2015年海口居民建筑室内进行小气候观测，利用室内外气象要素的关系，基于BP神经网络构建不同季节住宅室内气温的预测模型，并综合评估模型的预测效果，得到以下结论：

①利用室外气象要素作为BP神经网络模型的输入参数，室内气温作为输出参数，建立海口住宅室内气温预测模型，春季、夏季、秋季和冬季试预报结果的平均绝对误差均小于0.5 ℃，可以满足海口居民住宅室内气温的预测需求。不同季节模型的预测精度存在差异，春秋季精度最高、夏季最差。

②非线性预测模型在住宅室内气温预测方面具有较大的优势，BP模型在不同季节的均方根误差均比统计回归模型有所提高。地温的加入对模型的预测精度有较大改进，采用地温的BP模型比未采用地温的预测精度在不同季节都有了明显的提高。

由于本文BP训练数据选自特定环境、特定时间，不具有普遍代表性，模型只限于解决某一时间段、特定环境的小气候预测问题，其广泛实用性需进一步研究。另外，归于观测限制，未能获取更多室内观测数据(湿度、风等)，有必要增加观测要素，从而更好为探讨海南城市居民建筑的空调和采光等设计方面提供参考。

[1] 陈若山.城市区域小气候对建筑设计的影响[J].南方建筑,2004(4):12-13.

[2] 高建峰,庄大方,何玉琴,等.城市建筑格局对小气候的影响[J].地球信息科学,2007,9(5):14-19.

[3] 张明洁,张京红,刘少军,等.海南岛1961—2011年气候变化特征分析[J].热带作物学报, 2014,35(12): 2488-2495.

[4] 崔建云,董晨娥,左迎之,等.外部气象条件对温室内温湿变化的影响[J].气象,2006,32(3):101-106.

[5] 张一平,李佑荣,王进欣,等.低纬高原城市冬季南北朝向室内温湿特征的初步分析[J].热带气象学报,2001,17(3):265-272.

[6] 沈铁元,廖移山.武汉市夏季民宅小气候观测与分析[J].气象,2002,28(2):25-28.

[7] 李环姣,董婕,丁金梅,等.西安市春夏季高校宿舍室内小气候观测与分析[J].西北师范大学学报:自然科学版,2007,43(3):102-106.

[8] 汪小旵,丁为民,罗卫红,等.利用BP神经网络对江淮地区美誉季节现代化温室小气候的模拟与分析[J].农业工程学报,2004,20(2):235-238.

[9] 朱颖心.建筑环境学(第三版)[M].北京:中国建筑工业出版社,2010.

Forecast of residential indoor temperature based on BP neural network in Haikou

XING Caiying1,2,ZHANG Jinghong1,2,HUANG Haijing1,2

(1.Hainan Provincial Climate Center, Haikou 570203,China;2.Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Haikou 570203,China)

By using indoor microclimate observation data in Haikou residential building and outdoor meteorological elements during the period from January in 2014 to December in 2015, the BP neural network forecast models were developed to predict the seasonal residential indoor temperature in Haikou, then, they were compared with the statistical regression models to evaluate the prediction effects comprehensively. The results show that, the BP models have higher prediction accuracy, there are differences in different seasons, the best result is in spring and autumn, while the worst result is in summer, and addition of ground temperature can improve a lot on the prediction precision. The root mean squared errors between the predicted and the observed residential indoor temperature in the different seasons are 0.25 ℃, 0.62 ℃, 0.26 ℃ and 0.52 ℃, the mean absolute error are both less than 0.5 ℃,that is, errors of the BP neural network forecast models are in reasonable range. What's more, prediction accuracy (RMSE) increases by 26.5%, 34.7%, 56.7% and 25.7% than that of statistical regression models. It is obvious that the BP models can meet the forecast requirements for residential building indoor temperature in Haikou, which can provide effective basic data for the research of indoor living environment and building energy consumption.

residential indoor temperature; BP neural network; stepwise regression analysis; forecast model

1003-6598(2016)05-0038-05

2016-07-05

邢彩盈(1987—)，女，工程师，主要从事气候分析及短期气候预测工作， E-mail:18876777858@163.com。

中国气象局气候变化专项(CCSF201307)；海南省气象局科技创新项目(HN2013MS11)。

P457.3

B