基于朴素贝叶斯增量学习算法的个体热舒适预测模型*

重庆大学 韩尔东 李百战 杜晨秋 秦 硕 姚润明

0 引言

20世纪70年代，Fanger教授基于人体热平衡理论，通过大规模人群实验，建立了预测人员热舒适的PMV-PPD模型[1]，并被多部国内外标准采用[2-3]。随着PMV-PPD模型的广泛应用，该模型的局限性也日益凸显。一方面，PMV-PPD模型是在大规模的人群实验中得到的，预测的是大量个体在特定热环境下的平均热感觉[4]。但是性别[5]、年龄[6]和心理状态[7]等因素都会造成个体之间热舒适状态的差异。另一方面，PMV-PPD模型不具备自学习和自纠正的能力[8]，一旦使用场景发生变化，PMV-PPD模型的预测性能将会下降。Cheung等人[9]和Jiang等人[10]分别使用ASHRAE全球热舒适数据库和气候仓实验数据验证了PMV模型的预测性能，结果表明PMV模型的预测准确度仅分别为34.0%和49.7%。同样，目前的适应性模型[11]、aPMV模型(适应性PMV模型)[12]预测的也是大量人群的平均舒适范围和平均热感觉。建立个体热舒适模型是指收集单一个体的热舒适数据，通过机器学习算法或其他方法建立符合单一个体需求的热舒适预测模型(personalized thermal comfort model)，以实现空调系统供给与个体需求的匹配。

在建筑环境领域，室内人员的热舒适与环境因素、心理因素和行为因素存在复杂的相关性，而机器学习算法善于从繁多的数据中学习各变量与人体热舒适之间隐含的、有价值的或者规律性的知识，并将其应用到实践中[13]。热舒适预测的本质是机器学习中的分类问题，常见分类算法如决策树[13]、随机森林[14]、K最近邻算法[15]、朴素贝叶斯算法[16]和人工神经网络算法[17]都可以用于热舒适的预测。……