建筑用户在室行为预测新方法

俞准 周亚苹 李郡 黄余建 张国强

摘   要：准确预测建筑用户在室行为可显著提高建筑能耗模拟精度，并进一步帮助建筑设计及运行控制优化. 当前进行在室行为预测时所采用的主要是基于隐马尔可夫链方法的数学模型，该模型考虑了在室行为的时间关联性，可平穩有效地预测在室行为. 然而现有隐马尔科夫模型难以准确描述在室行为动态变化规律以及在室行为与可观测参数之间的关联，降低了模型预测精度. 针对该问题，本文提出一种基于状态转移的时变隐马尔科夫模型. 该模型采用时变状态转移概率矩阵量化不同时刻在室行为的动态变化特征及关联，同时该模型基于状态转移计算可观测参数的概率分布以定量描述在室行为对可观测参数的影响. 本文采用比利时某办公室在室行为数据库进行了相关建模和验证，结果表明该模型可更有效地捕捉在室状态变化，从而提高了在室行为预测精度.

关键词：在室行为;人行为;预测;隐马尔可夫模型;建筑模拟

中图分类号：TU201.5                               文献标志码：A

Abstract： Accurate prediction of occupancy in buildings can significantly improve the performance of building energy simulation and further facilitate building design and system operation. Considering the temporal dependency of occupancy， Hidden Markov Model has been widely used to effectively predict occupancy behavior. However， the traditional Hidden Markov model that uses time-independent transition probability matrix is difficult to accurately describe the dynamic variation of occupancy as well as its correlation with environmental parameters. Such a model would greatly reduce occupancy prediction accuracy. To address this issue， an inhomogeneous Hidden Markov Model based on state transition was proposed. In this model， time-dependent transition probability matrices were calculated to capture the temporal dependency of occupancy at different time periods. Meanwhile， probability distribution of environmental parameters was calculated based on state transition instead of state only， aiming at rationally describing the correlation between occupancy and environmental parameters. The method was applied to predict the occupancy of a Belgian office. The results demonstrated that the effectiveness of the proposed approach and the prediction accuracy were improved significantly.

Key words： occupancy;occupant behavior;prediction;hidden Markov model;building simulation

建筑用户在室行为主要包括在室状态和时长、用户位置、在室人数和用户活动[1]. 对其进行准确预测并进一步与建筑能耗模拟软件（如EnergyPlus和DeST）集成，可显著提高建筑能耗模拟精度，同时有助于建筑性能评估和建筑系统运行优化控制[2-5]. 现有在室行为预测方法主要是在测量多种室内环境相关数据（如CO2浓度和温湿度）基础上，通过选取合适的环境特征参数建立相应模型，所采用的数学方法主要是隐马尔科夫法. 例如，Dong等人基于温湿度、CO2浓度和噪音数据，采用该方法建立了隐马尔科夫模型（Hidden Markov Model，HMM）对办公室的在室人数进行预测[6]. Candanedo等人基于CO2浓度、温湿度和照度数据，采用HMM对住户的在室状态进行预测[7]. 上述研究表明HMM通过引入状态转移概率矩阵参数，定量描述了在室行为的时间关联性，因此可平稳有效地预测在室行为. 然而现有HMM模型还存在一定局限性，主要表现在以下两点：第一，忽略了不同时刻在室行为动态变化的差异性，导致在室行为动态变化规律与实际情况存在较大差异;第二，无法考虑过去的在室行为对当前可观测的环境特征参数的影响，导致在基于环境数据预测在室行为时难以得到满意的精确度.

为了解决上述问题，本文在HMM的基础上，建立了一种基于状态转移的时变隐马尔科夫模型（Inhomogeneous Hidden Markov Model based on State Transitions，TIHMM）对在室行为进行预测，并且采用比利时某办公室在室行为数据库对该预测模型进行了验证.

1   在室行为预测方法

1.1   TIHMM模型基本原理

3.3   结果和讨论

3.3.1   特征参数选择分析

表3给出了不同环境特征参数与在室状态之间的相对信息增益计算结果. 从表中可知，CO2浓度、照度和温度的相对信息增益较大，即这3类环境因素与在室状态的相关性较大. 同时，相对于其他特征类型，二阶差分与在室状态相关性最小. 本文最终选择的模型输入特征参数包括CO2浓度的原始特征、一阶差分和一阶移动差分以及照度和温度的原始特征.

3.3.2   模型比较

为验证提出方法的有效性，本文基于上述环境特征参数建立了TIHMM在室行为预测模型，并与传统HMM和IHMM分别进行了比较.

图2～图4分别给出了采用TIHMM、IHMM和HMM预测的在室状态变化曲线图. 由图可见，相对于IHMM和HMM，TIHMM的预测结果更加符合实际的在室状态变化曲线，尤其是用户最先到达时间和最后离开时间这两项信息. 考虑到在进行建筑系统运行控制优化时，系统启停时间主要取决于用户最先到达和最后离开时间，对这两项信息进行准确预测有助于提高系统运行效率，具有显著的实际意义[16]. 从图中还可看到，当发生的状态变化持续一段时间时（如图中13：00～14：00），采用TIHMM预测的状态变化与实际变化相同，而IHMM和HMM的预测结果均出现了不同程度的延迟. 这证明和IHMM以及HMM相比，TIHMM由于采用了不均匀状态转移概率矩阵，且同时考虑了在室状态变化对当前环境特征参数的影响，因此减弱了在室行为的随机特性和环境数据的延迟特性（如用户呼出的CO2均匀扩散到室内需要一定响应时间）对在室状态预测的影响程度，从而能够更准确地反映在室状态的动态变化规律.

值得注意的是，对8：00～10：00和12：00～13：00两个期间出现的短时间在室状态变化，TIHMM、IHMM和HMM这3种模型均未能进行有效预测. 一个可能的原因是该类变化产生的环境特征参数变化小，与不发生状态变化的环境特征参数相近. 需要指出的是，在实际应用过程中，为避免系统的频繁启停，该类预测误差变化往往被忽略[17].

为进一步比较模型预测性能，表4给出了這3种模型的整体、“在室”状态和“离开”状态的预测精度. 结果表明，3种检验指标下TIHMM的预测效果均为最优. 同时，3种模型对“离开”状态的预测精度均高于对“在室”状态的预测精度，其主要原因是在非工作时间段（如图2～图4中12：00～7：00），用户在室状态相对稳定且均为“离开”，因此将实际“在室”状态误判为“离开”状态的可能性较小;在工作时间段，由于模型难以捕捉到短时间的状态变化，且该类变化通常是“离开”状态，因此，将实际“离开”状态误判为“在室”状态的可能性较大.

4   结论和未来展望

本文提出了一种基于TIHMM预测在室行为的新方法. 该方法从两方面克服了现有HMM的缺陷：第一，通过采用随模拟步长变化的状态转移概率矩阵，可更准确地反映在室行为动态变化规律;第二，基于状态转移计算环境特征参数的输出概率，从而量化了过去在室行为对当前环境特征参数的影响. 本文采用包括环境和在室状态数据的比利时某办公室在室行为数据库，分别建立了TIHMM、HMM和IHMM对在室状态进行预测，并对这3种模型从趋势变化和总体性能两方面进行了比较. 结果显示相对于其它两种模型，TIHMM预测结果更符合实际在室状态变化趋势，预测精度更高.

本文研究主要针对多人单区域进行在室状态预测，在此基础上，未来应进一步建立多人多区域的在室行为预测模型，以获取在室人数和用户位置等更全面的在室行为相关信息，并将其有效应用于建筑系统设计及运行控制优化中.

参考文献

[1]    YAN D，O′BRIEN W，HONG T，et al. Occupant behavior modeling for building performance simulation： Current state and future challenges[J]. Energy & Buildings，2015，107：264—278.

[2]    周亚苹，俞准，李郡，等. 建筑用户在室行为测量方法及预测模型综述[J]. 暖通空调，2017，47（9）：11—18.

ZHOU Y P，YU Z，LI J，et al. Review of measuring methods and prediction models of building occupancy[J]. Journal of HV&AC，2017，47（9）：11—18.（In Chinese）

[3]    YU Z，HAGHIGHAT F，FUNG B C M. Advances and challenges in building engineering and data mining applications for energy-efficient communities[J]. Sustainable Cities & Society，2016，25：33—38.

[4]    GUO X，TILLER D K，HENZE G P，et al. The performance of occupancy-based lighting control systems：A review[J]. Lighting Research & Technology，2010，42（1）：415—431.

[5]    楊昌智，文洁，蒋新波. 热湿环境参数对 PMV及空调能耗的影响研究[J]. 湖南大学学报（自然科学版），2015，42（1）：104—108.

YANG C Z，WEN J，JIANG X B. Study on the influence of thermal environmental parameters on PMV and energy consumption[J].Journal of Hunan University（Natural Sciences），2015，42（1）：104—108.（In Chinese）

[6]    DONG B，ANDREWS B，LAM K P，et al. An information technology enabled sustainability test-bed （ITEST） for occupancy detection through an environmental sensing network[J]. Energy & Buildings，2010，42（7）：1038—1046.

[7]    CANDANEDO L M，FELDHEIM V，DERAMAIX D. A methodology based on Hidden Markov Models for occupancy detection and a case study in a low energy residential building[J]. Energy & Buildings，2017，148：327—341.

[8]    GRIMMETT G R，STIRZAKER D R. Probability and random processes second edition[J]. Oxford Science Publications，1992（1）：164—165.

[9]    何磊，马伯祥，宗长富，等. 基于意图辨识的线控汽车紧急转向控制方法[J]. 湖南大学学报（自然科学版），2014，41（1）：81—86.

HE L，MA B X，ZONG C F，et al. Emergency steering control based on driver steering intention recognition for steer-by-wire vehicle[J]. Journal of Hunan University（Natural Sciences），2014，41（1）：81—86.（In Chinese）

[10]  RABINER L R. A tutorial on hidden markov models and selected applications in speech recognition[J]. Readings in Speech Recognition，1990，77（2）：267—296.

[11]  ZHOU Y，YU Z，LI J，et al. The effect of temporal resolution on the accuracy of predicting building occupant behavior based on markov chain models[J]. Procedia Engineering，2017，205：1698—1704.

[12]  LAM K P，HOYNCK M，DONG B，et al. Occupancy detection through an extensive environmental sensor network in an open-plan office building[C]//Eleventh International Ibpsa Conference.Glasgow，Scotland：IBPSA Conference，2009：1452—1459.

[13]  CHEN Z，ZHU Q，MASOOD M，et al. Environmental sensors based occupancy estimation in buildings via IHMM-MLR[J]. IEEE Transactions on Industrial Informatics，2017，99：1—1.

[14]  MOZER M C. The neural network house： an environment that adapts to its inhabitants[R]. Boulder：Unviersity of Colorado Boulder，1998：110—114.

[15]  CANDANEDO L M，FELDHEIM V. Accurate occupancy detection of an office room from light，temperature，humidity and CO2，measurements using statistical learning models[J]. Energy & Buildings，2016，112：28—39.

[16]  CHEN Z，MASOOD M K，SOH Y C. A fusion framework for occupancy estimation in office buildings based on environmental sensor data[J]. Energy & Buildings，2016，133：790—798.

[17]  GHOFRANI A，JAFARI M A. Distributed air conditioning control in commercial buildings based on a physical-statistical approach[J]. Energy & Buildings，2017，145：106—118.