何葉榮, 李 洋

(安徽建筑大學(xué) 經(jīng)濟(jì)與管理學(xué)院, 合肥 230041)

0 引 言

滿(mǎn)足人民日益增長(zhǎng)的美好生活需要,是實(shí)現(xiàn)新發(fā)展理念的重要內(nèi)容,也是推動(dòng)房地產(chǎn)行業(yè)轉(zhuǎn)型升級(jí)的關(guān)鍵部分。在住宅空間日益滿(mǎn)足的當(dāng)下,人們開(kāi)始進(jìn)一步追求住宅品質(zhì)的提升,住宅環(huán)境性能作為住宅品質(zhì)的一個(gè)重要因素,通過(guò)設(shè)計(jì)能夠表達(dá)出居民對(duì)住宅環(huán)境的個(gè)性化需求,從而為房地產(chǎn)開(kāi)發(fā)企業(yè)提供住宅品質(zhì)提升的重要參考。Hamida等[1]利用神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)一種環(huán)境影響成本評(píng)估模型,通過(guò)使用機(jī)器學(xué)習(xí)方法在模型中量化住宅建筑的能源和環(huán)境成本。Hopfea等[2]認(rèn)為,將所有的不確定性因素考慮在內(nèi),可以更好地保證模型質(zhì)量。Magnier等[3]將神經(jīng)網(wǎng)絡(luò)與多目標(biāo)遺傳算法相結(jié)合,揭示了數(shù)十種潛在的性能設(shè)計(jì),并在熱舒適性和能耗之間進(jìn)行了廣泛的權(quán)衡。

通過(guò)上述文獻(xiàn)可以看出,從建筑物本身的物理性能或住宅居民的滿(mǎn)意度兩方面設(shè)計(jì)住宅環(huán)境是可行的,但對(duì)于環(huán)境性能指標(biāo)的篩選還停留在表層,一套完善的住宅環(huán)境性能評(píng)價(jià)指標(biāo)體系能夠全方位展示出住宅的環(huán)境因素,從而給住宅居民提供更加可靠的選項(xiàng)。其次,對(duì)住宅性能進(jìn)行評(píng)價(jià)的傳統(tǒng)工具雖然具有同樣準(zhǔn)確的結(jié)果,但消耗的時(shí)間較長(zhǎng),因此可以通過(guò)引入神經(jīng)網(wǎng)絡(luò)或是其他有效方法來(lái)彌補(bǔ)這一短板。魏思迪等[4]從室內(nèi)、建筑、小區(qū)三個(gè)范疇整理出含有26項(xiàng)要素的理想居住要素清單,為房地產(chǎn)企業(yè)的住宅品質(zhì)提升工作提供參考。鄧英等[5]利用灰色關(guān)聯(lián)分析法篩選出對(duì)商品住宅需求的關(guān)鍵影響因素,然后以此構(gòu)建商品住宅的需求預(yù)測(cè)評(píng)價(jià)指標(biāo)體系。王洪森等[6]將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于住宅性能等級(jí)的綜合評(píng)價(jià)中,提供了一條定量、客觀評(píng)價(jià)住宅性能等級(jí)的智能化新方法。高宇波等[7]從技術(shù)、經(jīng)濟(jì)、社會(huì)三個(gè)方面構(gòu)建舊住宅性能評(píng)價(jià)指標(biāo)體系,通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)各指標(biāo)進(jìn)行打分以提供舊住宅性能的改進(jìn)建議。雷陽(yáng)等[8]將ANFIS引入了信息融合領(lǐng)域,提出一種基于自適應(yīng)直覺(jué)模糊推理的目標(biāo)識(shí)別方法,并通過(guò)實(shí)驗(yàn)表明該模型是一種比較科學(xué)有效的研究方法。

通過(guò)對(duì)以上文獻(xiàn)的閱讀和梳理,發(fā)現(xiàn)大多數(shù)學(xué)者關(guān)于住宅環(huán)境性能的研究都停留在物理層面,對(duì)于設(shè)計(jì)出能夠滿(mǎn)足居民個(gè)性化需求的住宅環(huán)境性能相關(guān)研究并不突出,因此提出一種基于住宅居民的環(huán)境需求研究就顯得尤為重要。通過(guò)對(duì)機(jī)器學(xué)習(xí)的引入能夠在保證對(duì)性能評(píng)價(jià)的準(zhǔn)確性基礎(chǔ)上縮短評(píng)價(jià)的時(shí)間。

1 GRA-AIFNN模型

住宅環(huán)境性能影響因素往往涉及多個(gè)方面,為了研究居民對(duì)于住宅環(huán)境性能的需求,需要利用灰色關(guān)聯(lián)分析法從眾多影響因素中篩選出關(guān)鍵指標(biāo),即對(duì)居民滿(mǎn)意度產(chǎn)生影響較大的因素。但這些因素往往是多而復(fù)雜的,評(píng)價(jià)起來(lái)相對(duì)比較困難,而自適應(yīng)直覺(jué)模糊神經(jīng)網(wǎng)絡(luò)的引入就很好的解決了這一問(wèn)題,該模型具有良好的學(xué)習(xí)能力,對(duì)于此類(lèi)多屬性、多模糊劃分等問(wèn)題的解決具有十分重要的意義。

1.1 灰色關(guān)聯(lián)分析法

灰色關(guān)聯(lián)分析法(Grey relation analysis,GRA)作為一種多元統(tǒng)計(jì)分析方法,適用于在眾多復(fù)雜的變量因素中以定量研究的視角,分析各個(gè)變量對(duì)目標(biāo)屬性變量的影響程度。該算法的核心思想是計(jì)算各影響因素變量對(duì)于目標(biāo)屬性變量的灰色關(guān)聯(lián)度值,不同的值對(duì)應(yīng)不同的影響程度,關(guān)聯(lián)度越大,表明其對(duì)目標(biāo)屬性的影響程度越大?；疑P(guān)聯(lián)分析法流程如圖1所示。

圖1 灰色關(guān)聯(lián)分析流程Fig. 1 Grey correlation analysis process

1.2 自適應(yīng)直覺(jué)模糊神經(jīng)網(wǎng)絡(luò)

自適應(yīng)直覺(jué)模糊神經(jīng)網(wǎng)絡(luò)(Adaptive Intuitionistic Neuro-Fuzzy Network,AIFNN)將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和模糊推理的邏輯性相結(jié)合,這種結(jié)合增強(qiáng)了模型的自學(xué)習(xí)和自適應(yīng)能力,能夠逼近任意精度的評(píng)價(jià)結(jié)果,極大的提高了該模型的應(yīng)用范圍。該網(wǎng)絡(luò)融合了最小二乘法與反向傳播算法,并自動(dòng)生成IF-THEN規(guī)則。AIFNN中的模糊推理系統(tǒng)采用高木-關(guān)野(TaKagi-Sugeno,T-S)推理系統(tǒng),該系統(tǒng)屬于多輸入單輸出的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),結(jié)構(gòu)簡(jiǎn)圖如圖2所示。

1.3 構(gòu)建GRA-AIFNN模型

首先,利用灰色關(guān)聯(lián)分析法篩選主要指標(biāo),步驟如下:

步驟1確定比較序列和目標(biāo)序列。假設(shè)有m個(gè)評(píng)價(jià)對(duì)象,n個(gè)評(píng)價(jià)指標(biāo),則目標(biāo)序列為x0={x0(k)|k=1,2,…,n},比較序列為xi={xi(k)|k=1,2,…,n},i=1,2,…,m。

步驟2標(biāo)準(zhǔn)化。對(duì)比較序列和目標(biāo)序列所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,以消除不同的量綱和數(shù)量級(jí)所產(chǎn)生的影響。

步驟3計(jì)算灰色關(guān)聯(lián)度系數(shù)。公式如下:

xi(k)|)],

(1)

式中:ξ——比較序列xi對(duì)目標(biāo)序列x0在第k個(gè)指標(biāo)上的關(guān)聯(lián)系數(shù);

ρ——分辨系數(shù),且ρ∈[0,1]。

通常情況下,ρ取0.5,當(dāng)分辨系數(shù)ρ大于0.5時(shí),分辨率較好,分辨系數(shù)ρ小于0.5時(shí),分辨率較差。

步驟4計(jì)算灰色關(guān)聯(lián)度。計(jì)算式為

(2)

計(jì)算出灰色關(guān)聯(lián)度并進(jìn)行排序,關(guān)聯(lián)度越大表明其相互關(guān)聯(lián)性更強(qiáng),故可以將其作為主要影響因素指標(biāo)提取出來(lái)以便后續(xù)分析。

對(duì)于AIFNN模型,假定有兩個(gè)輸入變量分別為x1和x2,一個(gè)輸出變量Z,并且該系統(tǒng)只有以下兩條模糊規(guī)則,那么該系統(tǒng)就是一階的T-S型模糊推理系統(tǒng)。

規(guī)則1:IfxisA1andyisB1thenz1=p1x1+q1x2+f1;

規(guī)則2:IfxisA2andyisB2thenz2=p2x1+q2x2+f2。

式中:Ai,Bi——輸入向量模糊集,i=1,2;

pi、qi、fi——線性參數(shù),i=1,2。

該系統(tǒng)結(jié)構(gòu)如圖3所示。

圖3 T-S型模糊推理系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 Network structure of T-S fuzzy inference system

從結(jié)構(gòu)上看,AIFNN一共分為六層,其中前四層稱(chēng)為前件網(wǎng)絡(luò),后兩層稱(chēng)為后件網(wǎng)絡(luò)。各層介紹如下:

第1層:輸入層。該層輸入各環(huán)境性能指標(biāo)的初始值x1,x2。

第2層:輸入語(yǔ)言層。利用T-S推理系統(tǒng)進(jìn)行模糊推理,從而實(shí)現(xiàn)住宅環(huán)境性能指標(biāo)的模糊規(guī)則生成,其原理如圖4所示。

圖4 T-S型模糊推理系統(tǒng)原理Fig. 4 Principle of T-S type fuzzy inference system

住宅環(huán)境性能中每一個(gè)指標(biāo)的評(píng)價(jià)涉及三種語(yǔ)言,分別是“不滿(mǎn)意”、“滿(mǎn)意”和“非常滿(mǎn)意”,利用T-S推理系統(tǒng)中的IF-THEN語(yǔ)句設(shè)計(jì)模糊規(guī)則,通過(guò)IF語(yǔ)句設(shè)置輸入和輸出的模糊語(yǔ)言,經(jīng)由T-S推理可得對(duì)應(yīng)的輸出語(yǔ)言“不滿(mǎn)意”、“滿(mǎn)意”和“非常滿(mǎn)意”,共生成MN組模糊規(guī)則(其中M表示模糊語(yǔ)言數(shù)量,N表示輸入指標(biāo)的個(gè)數(shù)),如表1所示。

表1 住宅環(huán)境性能的IF-THEN規(guī)則 Table 1 IF-THEN rules for residential environmental performance

該層為輸入變量x1,x2賦予隸屬函數(shù),這里選取平滑性較好的Gauss函數(shù),高斯參數(shù)分別設(shè)置為[0.225 0]、[0.225 0.5]和[0.225 1]。對(duì)應(yīng)的輸出隸屬函數(shù)如圖5所示,用μAi(x1)和μBi(x2)表示為

圖5 住宅環(huán)境性能的Gauss函數(shù)曲線Fig. 5 Gauss function curve of residential environmental performance

(3)

根據(jù)雷英杰[16]的直覺(jué)模糊集理論,若給定論域的直覺(jué)模糊子集為Ai(x),則存在

μAi(x)≤1-νAi(x),

式中:μAi(x)、νAi(x)——輸入變量對(duì)應(yīng)的隸屬和非隸屬函。

由于直覺(jué)模糊集等價(jià)于區(qū)間值模糊集,則:

Ai(x)=[μAi(x),νAi(x)]Ai(x)=[μAi(x),1-

(4)

同理:

Bi(x)=[μBi(x),νBi(x)]Bi(x)=[μBi(x),

(5)

第3層:推理層。該層的輸出值是每個(gè)輸入變量的積,由于實(shí)數(shù)加乘的計(jì)算精度更高,因此該層采用實(shí)數(shù)加乘來(lái)計(jì)算各節(jié)點(diǎn)輸出,用Φ表示。計(jì)算公式為

(6)

第4層:輸出語(yǔ)言層。推理系統(tǒng)的后件輸出,每個(gè)節(jié)點(diǎn)輸出上層的零階或一階Sugeno函數(shù),結(jié)果由對(duì)應(yīng)的隸屬與非隸屬函數(shù)合成得到:

(7)

(8)

第5層:輸出變量層。該層利用重心法去模糊化處理,用B表示為

(9)

式中,NL——規(guī)則數(shù)。

第6層:總輸出層。該層疊加所有的指標(biāo)信息,計(jì)算最終的總輸出值,計(jì)算結(jié)果用Z表示為

(10)

1.4 結(jié)果解釋

通過(guò)上述計(jì)算,將評(píng)價(jià)結(jié)果按照數(shù)值區(qū)間進(jìn)行分類(lèi)評(píng)價(jià),具體的解釋和說(shuō)明如下:

(1)當(dāng)0.8

(2)當(dāng)0.4

(3)當(dāng)0

2 構(gòu)建影響因素指標(biāo)體系

2.1 影響因素的識(shí)別與選取

通過(guò)對(duì)相關(guān)指標(biāo)的收集整理,發(fā)現(xiàn)大部分學(xué)者對(duì)于住宅環(huán)境的研究都基于物理層面,從建筑物本身的結(jié)構(gòu)或者材料角度出發(fā),這樣能夠設(shè)計(jì)出更加安全、科學(xué)的住宅環(huán)境,但在人民日益增長(zhǎng)美好生活需求的時(shí)代背景下,這樣的設(shè)計(jì)顯然不能夠滿(mǎn)足居民的個(gè)性化需求。

因此,本研究采取問(wèn)卷調(diào)查的形式,搜集當(dāng)下居民對(duì)目前居住的住宅小區(qū)的環(huán)境滿(mǎn)意度。基于此構(gòu)建出以規(guī)劃布局、綠化景觀、物理性能、生活設(shè)施和人文環(huán)境為一級(jí)指標(biāo)的評(píng)價(jià)體系,如表2所示。

表2 住宅環(huán)境性能評(píng)價(jià)指標(biāo)Table 2 Residential environmental performance evaluation indicators

2.2 主要影響因素的篩選

依據(jù)表2所示的評(píng)價(jià)指標(biāo)體系,設(shè)計(jì)調(diào)查問(wèn)卷,以正在住宅小區(qū)中居住或?qū)⒁胱∽≌^(qū)的居民為研究對(duì)象,目前正在居住的研究對(duì)象隨機(jī)分布于國(guó)內(nèi)各大城市,累計(jì)共發(fā)放200份調(diào)查問(wèn)卷(共涵蓋200個(gè)不同的住宅小區(qū)),最終回收200份調(diào)查問(wèn)卷,其中10份無(wú)效問(wèn)卷,190份有效問(wèn)卷。以問(wèn)卷為數(shù)據(jù)基礎(chǔ),按照各指標(biāo)選擇人數(shù)的占比進(jìn)行初步量化,處理后,依據(jù)式(1)和式(2)計(jì)算灰色關(guān)聯(lián)系數(shù)和灰色關(guān)聯(lián)度,如表3所示。

根據(jù)表3所示,當(dāng)灰色關(guān)聯(lián)度大于0.64時(shí),表明該影響因素具有相對(duì)較強(qiáng)的相關(guān)性,因此將其作為主要影響因素,分別是停車(chē)場(chǎng)地X13、物業(yè)服務(wù)X20、景觀設(shè)計(jì)X7、綠植種類(lèi)X6、運(yùn)動(dòng)器械X14、交通道路與站點(diǎn)X1、采光效果X9、節(jié)能設(shè)施X18。而排名靠后的影響因素從一定意義上反映出該類(lèi)因素為住宅小區(qū)居民理想中的基本環(huán)境因素,即擁有該環(huán)境因素,并不會(huì)使居民產(chǎn)生強(qiáng)烈的滿(mǎn)意感,但缺少該因素,居民則會(huì)產(chǎn)生強(qiáng)烈的不滿(mǎn)。根據(jù)這一結(jié)果,可以建立出住宅環(huán)境性能需求主要影響因素指標(biāo)體系。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境設(shè)計(jì)

文中運(yùn)用Matlab R2021a軟件中的ANFIS工具箱進(jìn)行仿真實(shí)驗(yàn),利用工具箱中的T-S模糊推理系統(tǒng)設(shè)置模糊語(yǔ)言的輸入和輸出,該工具箱采用反向傳播與最小二乘法的混合算法來(lái)調(diào)整參數(shù),并能自動(dòng)生成IF-THEN語(yǔ)言規(guī)則。工具箱中各參數(shù)的設(shè)置如表4所示。

表4 ANFIS網(wǎng)絡(luò)參數(shù)設(shè)置Table 4 ANFIS network parameter settings

3.2 網(wǎng)絡(luò)訓(xùn)練

初步量化后的數(shù)據(jù)導(dǎo)入Matlab軟件中的ANFIS工具箱,按照上述參數(shù)設(shè)置后,將住宅環(huán)境性能需求主要影響指標(biāo)按照先后順序兩兩組合,共分成4組,每次對(duì)系統(tǒng)輸入1組數(shù)據(jù),對(duì)數(shù)據(jù)分別進(jìn)行訓(xùn)練。模型中數(shù)據(jù)變化趨勢(shì)如圖6所示。

圖6 訓(xùn)練數(shù)據(jù)趨勢(shì)效果對(duì)比Fig. 6 Comparison of training data trends and effects

結(jié)果顯示,對(duì)于不同的輸入指標(biāo)組合,模型的迭代次數(shù)和誤差之間存在一定的關(guān)系。當(dāng)輸入指標(biāo)X1和X6時(shí),模型在第25次迭代時(shí)誤差最小,誤差為0.155 8,這表明模型對(duì)于這兩個(gè)指標(biāo)的組合在較少的迭代次數(shù)下已經(jīng)取得了較好的擬合效果;當(dāng)輸入指標(biāo)X7和X9時(shí),模型在第26次迭代時(shí)誤差最小,誤差為0.131 2,這意味著這兩個(gè)指標(biāo)的組合需要迭代26次才能獲得更加精確的擬合結(jié)果;當(dāng)輸入指標(biāo)X13和X14時(shí),迭代次數(shù)在第50次時(shí)誤差最小,誤差為0.141 7,這說(shuō)明對(duì)于這兩個(gè)指標(biāo)的組合,模型需要更多的迭代次數(shù)來(lái)收斂于最優(yōu)解,這種趨勢(shì)可能與指標(biāo)之間的相互作用和數(shù)據(jù)的復(fù)雜性有關(guān);當(dāng)輸入指標(biāo)X18和X20時(shí),迭代次數(shù)在第49次時(shí)誤差最小,誤差為0.131 3,這表明對(duì)于這兩個(gè)指標(biāo)的組合 ,模型需要接近50次的迭代才能達(dá)到較低的誤差值。通過(guò)這些結(jié)果可以發(fā)現(xiàn),不同的輸入指標(biāo)組合對(duì)于模型的迭代次數(shù)和誤差有著不同的影響。對(duì)于某些組合,模型可能在較少的迭代次數(shù)下就能獲得較好的擬合效果,而對(duì)于其他組合,則需要更多的迭代次數(shù)才能達(dá)到較低的誤差。這種分析結(jié)果有助于我們理解模型的行為和優(yōu)化模型的訓(xùn)練過(guò)程。各輸入、輸出值如表5所示。

表5 輸入、輸出值與評(píng)價(jià)等級(jí)Table 5 Input, output value and evaluation level

此外,在網(wǎng)絡(luò)訓(xùn)練的過(guò)程中還需要對(duì)模型進(jìn)行曲面檢驗(yàn),以評(píng)估模型在輸入輸出參數(shù)空間中的表現(xiàn)。其網(wǎng)絡(luò)訓(xùn)練的輸入輸出參數(shù)曲面,如圖7所示。圖7中各三維曲面較光滑,沒(méi)有異常突起點(diǎn),表明設(shè)定的模糊規(guī)則以及相應(yīng)的輸入輸出參數(shù)較合理,同時(shí),這些曲面的平滑性也表明網(wǎng)絡(luò)訓(xùn)練取得了良好的效果。

圖7 住宅環(huán)境性能的規(guī)則檢驗(yàn)曲面Fig. 7 Rule testing surfaces for residential environmental performance

3.3 模型結(jié)果解釋

相關(guān)參數(shù)設(shè)置好以后,將初步量化后的數(shù)據(jù)輸入網(wǎng)絡(luò)模型,按照輸入層、輸入語(yǔ)言層、推理層、輸出語(yǔ)言層、輸出變量層以及總輸出層等各層處理,最終可以得出各項(xiàng)指標(biāo)的評(píng)價(jià)結(jié)果,該結(jié)果可用于判斷當(dāng)下居民對(duì)各住宅環(huán)境性能的需求點(diǎn)所在。

通過(guò)網(wǎng)絡(luò)訓(xùn)練發(fā)現(xiàn),指標(biāo)交通道路與站點(diǎn)X1和綠植種類(lèi)X6的得分分別為0.846 9和0.926 0,評(píng)價(jià)等級(jí)為A級(jí),表明當(dāng)下居民對(duì)這些住宅環(huán)境性能的需求度較高,良好的交通和綠植會(huì)對(duì)居民的滿(mǎn)意度產(chǎn)生深度影響,這可能與當(dāng)下快節(jié)奏的時(shí)代背景息息相關(guān),在追求方便的同時(shí)也想擁有一個(gè)舒適的居住環(huán)境。因此房地產(chǎn)開(kāi)發(fā)商在進(jìn)行住宅環(huán)境性能設(shè)計(jì)時(shí),可以完善其交通,充分利用綠植面積栽培多種植物,最大限度發(fā)揮該性能,從而能夠大幅度提升住宅居民的滿(mǎn)意度。指標(biāo)停車(chē)場(chǎng)地X13、運(yùn)動(dòng)器械X14和節(jié)能設(shè)施X18的得分分別為0.415 9、0.520 2和0.772 2,評(píng)價(jià)等級(jí)均為B級(jí),表明居民對(duì)這些住宅環(huán)境性能的需求度適中,該類(lèi)指標(biāo)與居民的居住滿(mǎn)意度呈正相關(guān),當(dāng)小區(qū)內(nèi)的車(chē)位充足、運(yùn)動(dòng)器械足夠或節(jié)能設(shè)施完善時(shí),居民的滿(mǎn)意度會(huì)隨之提升,反之則會(huì)下降。房地產(chǎn)開(kāi)發(fā)商在設(shè)計(jì)該類(lèi)性能時(shí),可以在成本充足的前提下加以完善,從而能夠提升居民的居住滿(mǎn)意度,吸引更多的居民前來(lái)入住。指標(biāo)景觀設(shè)計(jì)X7、采光效果X9和物業(yè)服務(wù)X20的得分分別為0.256 7、0.197 2和0.331 0,評(píng)價(jià)等級(jí)均為C級(jí),表明居民對(duì)該類(lèi)住宅環(huán)境性能指標(biāo)的需求程度偏低,該性能是否完善對(duì)居民的居住滿(mǎn)意度影響較小,房地產(chǎn)開(kāi)發(fā)商在設(shè)計(jì)該類(lèi)性能時(shí)可以適當(dāng)降低其完善程度,從而達(dá)到縮減成本或提高效率的目的。

4 結(jié) 論

(1)基于灰色關(guān)聯(lián)分析法,對(duì)建立的住宅環(huán)境性能評(píng)價(jià)指標(biāo)體系進(jìn)行篩選,提取出了對(duì)居民居住滿(mǎn)意度影響較大的8個(gè)關(guān)鍵因素。

(2)結(jié)合T-S模糊推理系統(tǒng)和AIFNN神經(jīng)網(wǎng)絡(luò),構(gòu)建了住宅環(huán)境性能評(píng)價(jià)模型,同時(shí)對(duì)各個(gè)主要影響因素進(jìn)行了評(píng)級(jí)與打分。

(3)通過(guò)仿真實(shí)驗(yàn)的分析,驗(yàn)證了該模型的網(wǎng)絡(luò)訓(xùn)練與規(guī)則檢驗(yàn)是科學(xué)可靠的,其結(jié)果也與預(yù)期相符合,因此該模型是有效的。

(4)將文中的研究成果應(yīng)用到市場(chǎng)中,可以對(duì)新的住宅環(huán)境性能進(jìn)行綜合評(píng)判,為未來(lái)設(shè)計(jì)新住宅提供一種指導(dǎo)和技術(shù)支持。本文將理論與實(shí)際相結(jié)合,期望能夠?yàn)槲磥?lái)的住宅發(fā)展做出貢獻(xiàn)。