摘要：為了解決傳統(tǒng)空調(diào)溫度控制方法在滿足不同用戶不同場景需求時的局限性，提出了一種空調(diào)智能溫風(fēng)控制算法。此算法通過結(jié)合多元線性回歸（Linear"Regression）的趨勢預(yù)測、貝葉斯網(wǎng)絡(luò)（Bayesian"network）的室內(nèi)外環(huán)境突變修正和決策樹（Decision"Tree）的用戶體征修正，形成了一個綜合考慮多種因素的溫度調(diào)節(jié)模型。通過三合一修正的加權(quán)平均（Weighted"Average）方法，成為LBD-WA反饋提升模型。該模型不僅能夠考慮實時的環(huán)境變化，還可以根據(jù)用戶的溫感和所處時區(qū)季節(jié)做出相應(yīng)調(diào)整，從而更準確地為用戶提供舒適的溫度環(huán)境。為了驗證該算法的效果，將此模型與其他機器學(xué)習(xí)方法進行了對比實驗。結(jié)果顯示，LBD-WA模型在預(yù)測準確性和多場景適應(yīng)性方面表現(xiàn)優(yōu)異，LBD-WA模型在準確率方面比傳統(tǒng)空調(diào)方法提高了6%。這為未來智能家居的溫控技術(shù)提供了一個新的方向。

關(guān)鍵詞：多重反饋修正""多元線性回歸""貝葉斯網(wǎng)絡(luò)""決策樹""異常調(diào)節(jié)反饋""時區(qū)季節(jié)反饋"體征變化反饋

中圖分類號：TP181

Research"on"Intelligent"Control"Algorithm"for"Air"Conditioning"Based"on"LBD-WA"Feedback"Enhancement

LYU"Chuang"""PANG"Min"""LIU"Pu

Guangdong"Midea"Air-Conditioning"Equipment"Co.，"Ltd."Foshan，"Guangdong"Province，528300"China

Abstract："This"article"proposes"an"intelligent"temperature"and"air"conditioning"control"algorithm"to"address"the"limitations"of"traditional"air"conditioning"temperature"control"methods"in"meeting"the"diverse"needs"of"different"users"and"scenarios."The"algorithm"combines"trend"prediction"using"Multiple"Linear"Regression，"environmental"change"correction"using"Bayesian"network，"and"user"characteristic"correction"using"Decision"Tree"to"form"a"temperature"adjustment"model"that"comprehensively"considers"multiple"factors."By"using"the"Weighted"Average"method"with"three"in"one"correction，"it"becomes"the"LBD-WA"feedback"enhancement"model."It"not"only"considers"real-time"environmental"changes"but"alsonbsp;adjusts"according"to"the"user's"temperature"preferences"and"seasonal"changes"in"their"time"zone"to"provide"a"more"accurate"and"comfortable"temperature"environment."To"validate"the"effectiveness"of"this"algorithm，"comparative"experiments"were"conducted"between"this"model"and"other"machine"learning"methods."The"results"show"that"the"LBD-WA"model"performs"well"in"terms"of"prediction"accuracy"and"adaptability"to"multiple"scenarios，"with"a"6%"improvement"in"accuracy"compared"to"traditional"air"conditioning"methods."This"provides"a"new"direction"for"temperature"control"technology"in"future"smart"homes.

Key"Words："Multiple"feedback"correction;"Multiple"Linear"Regression;"Bayesian"network;"Decision"Tree;"Abnormal"adjustment"feedback;"Time"zone"and"seasonal"feedback;"Physiological"change"feedback

隨著人工智能技術(shù)的快速發(fā)展和智能家居的普及，室內(nèi)空氣環(huán)境已逐漸成為人們追求生活品質(zhì)關(guān)注的重要維度。現(xiàn)已有采用機器學(xué)習(xí)方法研究空調(diào)系統(tǒng)的動態(tài)控溫和送風(fēng)技術(shù)等相關(guān)研究[1～3]，相比傳統(tǒng)的空調(diào)溫風(fēng)控制技術(shù)，可以更加穩(wěn)定地維持室內(nèi)空氣舒適環(huán)境。

然而這些智能的溫風(fēng)預(yù)測控制技術(shù)，由于目標溫度無法自適應(yīng)用戶與環(huán)境的變化，極易出現(xiàn)過冷或過熱等舒適性問題。現(xiàn)有許多研究已經(jīng)在“個性化”這個問題上進行了探索。如孫齊鳴學(xué)者提出云端梯度提升學(xué)習(xí)框架模型結(jié)合邊端多維矩陣插值，實現(xiàn)用戶設(shè)定偏好的預(yù)測方法"[1]。萬陶成[2]通過響應(yīng)曲面模型與多元線性回歸模型訓(xùn)練，采用TOPSIS方法決策出個性化推薦方法。趙澤明[3]則對基于數(shù)據(jù)挖掘技術(shù)的智慧人居模式與行為預(yù)測進行了研究。此類研究需依賴較長時間與較多數(shù)據(jù)學(xué)習(xí)，沒有考慮到極端的天氣突變，及用戶日?；顒拥炔煌瑘鼍跋碌倪m應(yīng)性，存在一定的局限性。

因此，本研究提出了一種基于LBD-WA反饋提升的空調(diào)智能控制算法。此算法不僅綜合了機器學(xué)習(xí)模型的趨勢預(yù)測和用戶行為反饋，而且還考慮了環(huán)境變化、用戶感受以及時區(qū)季節(jié)變化等多方面因素進行修正提升，旨在為用戶提供更強的適應(yīng)性的室內(nèi)溫風(fēng)個性化控制。

1"研究背景

現(xiàn)有空調(diào)自動化控制，主要分為以傳統(tǒng)規(guī)則控制和機器學(xué)習(xí)模型決策控制兩類，以實現(xiàn)對用戶設(shè)定溫度、風(fēng)速等參數(shù)的主動調(diào)節(jié)。

常用的機器學(xué)習(xí)算法包括多元線性回歸、貝葉斯推斷、梯度提升決策樹等。

線性回歸模型用于識別連續(xù)因變量與一個或多個自變量之間的關(guān)系。隨著自變量數(shù)目的增加，稱為多元線性回歸。對于每種線性回歸，都會力求繪制一條通過一組數(shù)據(jù)點的最佳擬合線，這通常使用最小二乘法來計算。

貝葉斯推斷是一種基于貝葉斯定理的統(tǒng)計推斷方法。貝葉斯定理提供了一個描述在已知某種證據(jù)或信息情況下，某一假設(shè)或事件概率如何變化的方式。

梯度提升決策樹（Gradient"Boost"Decision"Tree，GBDT）是以決策樹為基學(xué)習(xí)器的迭代算法。一般提升算法都是一個迭代的過程，每一次新的訓(xùn)練都是為了改進上一次的結(jié)果。

通常來講，多元線性回歸模型[4-5]經(jīng)常被運用于分析室內(nèi)溫度與各種環(huán)境因子，例如：戶外溫度和濕度的關(guān)系，從而在環(huán)境微變時實時調(diào)整控制策略。決策樹模型[6-7]通過解析大量的用戶和環(huán)境數(shù)據(jù)，為各種情境制定快速響應(yīng)策略，特別是處理復(fù)雜的用戶溫感數(shù)據(jù)。貝葉斯網(wǎng)絡(luò)[8]則為這一系列控制提供了概率性的決策依據(jù)，增加了控制的靈活性，能處理因素如時間和季節(jié)。在這背景下，如預(yù)計平均熱感覺指數(shù)（Predicted"Mean"Vote，PMV），季節(jié)、用戶的手動調(diào)節(jié)等因素被認為是影響用戶溫度舒適度[9-10]的重要指標。這些特征都能為機器學(xué)習(xí)模型提供豐富的上下文信息，從而幫助模型更好地理解和滿足用戶的個性化需求。

2"LBD-WA反饋提升方法研究

詳細介紹了LBD-WA反饋提升模型的方法研究?？傮w如圖1所示。

首先，基于環(huán)境狀態(tài)、設(shè)備運行、用戶行為的多維參數(shù)進行特征工程；其次，對比各種算法效果選擇并構(gòu)建溫風(fēng)推薦模型；最后，基于多重反饋進行修正，包括異常調(diào)節(jié)反饋，室內(nèi)外環(huán)境反饋，用戶體征反饋和加權(quán)修正。持續(xù)優(yōu)化模型推薦控制參數(shù)，實現(xiàn)高適應(yīng)的空調(diào)溫風(fēng)智能控制。基于此，本研究將從這幾個部分進行詳細闡述。

2.1"數(shù)據(jù)預(yù)處理及特征工程

從物聯(lián)網(wǎng)上，收集環(huán)境狀態(tài)、設(shè)備運行、用戶行為等數(shù)據(jù)、對這些數(shù)據(jù)進行預(yù)處理與特征工程。數(shù)據(jù)預(yù)處理流程主要分為4個部分，具體如圖2所示。

上報數(shù)據(jù)收集表（A表），是收集記錄原始的數(shù)據(jù)。記錄空調(diào)一次從開機到關(guān)機使用過程中的各種數(shù)據(jù)，規(guī)則為1"min采集記錄一次或用戶調(diào)節(jié)時即時采集。數(shù)據(jù)主要包括操作時間、開關(guān)機、設(shè)置溫度、設(shè)置模式、室內(nèi)溫度、室外溫度等數(shù)據(jù)。

調(diào)控單次錄入表（B表），對A表進行數(shù)據(jù)預(yù)處理。將空調(diào)一次從開機到關(guān)機過程中的全部數(shù)據(jù)匯總成一條數(shù)據(jù)。數(shù)據(jù)主要包括開機時間、開機室溫、開機目標溫度、使用的穩(wěn)定溫度、設(shè)置模式、調(diào)節(jié)幅度等數(shù)據(jù)。通過大數(shù)據(jù)歷史行為統(tǒng)計發(fā)現(xiàn)，用戶的操作行為分布，60%出現(xiàn)在10"min內(nèi)，80%出現(xiàn)在30"min內(nèi)。所以區(qū)分不同階段的設(shè)置溫度、對最終模型具有很大的影響效果。

調(diào)控歷史數(shù)據(jù)表（C表），對B表進一步數(shù)據(jù)處理，提取高級特征。將空調(diào)不同模式下的B表數(shù)據(jù)，各自匯總成一條數(shù)據(jù)。分為制冷、制熱、自動、送風(fēng)、抽濕等最多5條數(shù)據(jù)。初始數(shù)據(jù)主要包括設(shè)置模式、開機常處室溫、開機偏低室溫、開機偏高室溫、運行時調(diào)高的幅度、運行時調(diào)低的幅度等數(shù)據(jù)。

預(yù)測特征表（X表），是對A表和C表的數(shù)據(jù)匯總，作為最終模型的輸入特征參數(shù)。每5"min預(yù)測一次，記錄一次數(shù)據(jù)。擴展了156到特征參數(shù)，面對這些可能存在非線性關(guān)系的特征，特別采用了基于決策樹的特征工程方法，其核心是評估每個特征的分割純度，其中一個常用的指標是基尼不純度（）或信息增益，其中公式如下。

式（1）中，數(shù)據(jù)有個類別，為第個類別，為第個節(jié)點，是第節(jié)點上類別的比例。

通過特征重要性，最終選擇了19個最重要的特征作為模型的輸入，主要包括設(shè)置模式、室內(nèi)溫度、室外溫度、開機常處室溫、開機偏低室溫、開機偏高室溫、運行時調(diào)高的幅度、運行時調(diào)低的幅度等。這些特征參數(shù)的具體信息可以在表1中進行查看。

2.2"模型構(gòu)建與預(yù)測

基于確定的19個特征，同時考慮計算速率和復(fù)雜性，本研究中嘗試了GBDT、K近鄰（K-Nearest"Neighbor，KNN）等模型，通過準確率、均方根誤差（Root"Mean"Squared"Error，RMSE）來對比選擇模型效果，并且針對效果最優(yōu)模型多次進行參數(shù)調(diào)優(yōu)，最終選擇多元線性回歸方法。

在空調(diào)自動化控制中，可以通過多元線性回歸模型來預(yù)測空調(diào)系統(tǒng)的溫度和風(fēng)速等參數(shù)，并根據(jù)預(yù)測結(jié)果進行控制，從而實現(xiàn)空調(diào)系統(tǒng)的自適應(yīng)調(diào)節(jié)和優(yōu)化。具體而言，可以通過樣本數(shù)據(jù)來計算自變量和因變量之間的相關(guān)系數(shù)，從而得到自變量的系數(shù)估計值。然后，可以利用估計值來預(yù)測因變量的取值，并根據(jù)預(yù)測結(jié)果進行控制。

以溫度為例，為預(yù)測用戶溫度調(diào)節(jié)范圍（16～30"℃，精度為0.5"℃），將用戶調(diào)節(jié)的溫度作為模型的預(yù)測指標，利用多元線性回歸預(yù)測用戶設(shè)定溫度。溫度回歸預(yù)測方面，在模型評估上，計算模型預(yù)測設(shè)定均方差損失（Mean"Square"Error，MSE），其公式如下。

式（2）中，表示訓(xùn)練數(shù)據(jù)；表示第個訓(xùn)練數(shù)據(jù)的真實輸出；表示模型對的預(yù)測值。

并且將模型預(yù)測的溫度與真實用戶設(shè)置溫度的差值在±0.5"℃以內(nèi)的記為預(yù)測正確，否則記為錯誤，來評估模型調(diào)節(jié)的準確性。

另一個風(fēng)擋控制模型是一個分類模型，將建立的多元線性回歸的預(yù)測值，映射到10個檔位（無極風(fēng)的1%～100%，步長為10%）。將真實的用戶調(diào)節(jié)風(fēng)擋作為模型的真實值，計算預(yù)測值和真實值之間的準確率。在風(fēng)速檔位分類模型評估方面，采用交叉熵誤差（Cross-Entropy"Error，CCE）作為損失函數(shù)，用精確率即正例中正確分類的樣本與所有被分類為正例的樣本之間的比例表示模型準確率。

式（3）中：表示數(shù)據(jù)樣本；表示第個樣本的真實標簽；表示模型對該樣本預(yù)測為第個的概率。

通過預(yù)測分別得到溫度推薦值和風(fēng)速推薦值。

2.3"基于多重反饋的修正

在用戶使用空調(diào)的時候，每個用戶都會產(chǎn)生個性數(shù)據(jù)，引入修正的方式，對模型預(yù)測結(jié)果進行修正微調(diào)。通過異常調(diào)節(jié)反饋、時區(qū)季節(jié)反饋、用戶體征反饋的多重修正，從而提升空調(diào)系統(tǒng)的自適應(yīng)調(diào)節(jié)和優(yōu)化。

接下來以溫度為例，將用戶調(diào)節(jié)反饋的行為調(diào)節(jié)修正、時區(qū)季節(jié)修正、用戶溫感模型修正加權(quán)修正，結(jié)合推薦值，從而得出更符合用戶需求的最終值。

2.3.1"異常調(diào)節(jié)反饋

“自學(xué)習(xí)”模型在機器學(xué)習(xí)中通常是指能夠不斷地從新的數(shù)據(jù)中學(xué)習(xí)和更新其預(yù)測或決策的模型。在用戶調(diào)節(jié)反饋修正的場景下，自學(xué)習(xí)意味著模型會考慮用戶的實時反饋，根據(jù)這些反饋不斷地調(diào)整和優(yōu)化自己的參數(shù)，使預(yù)測的結(jié)果更加符合用戶的實際操作和偏好。

在空調(diào)使用過程中，用戶的調(diào)節(jié)溫度數(shù)據(jù)偏少，大量數(shù)據(jù)為周期性上報的相同設(shè)置溫度；特別是開啟智能控制后的調(diào)節(jié)更少，而用戶調(diào)節(jié)意味著對推薦溫度不舒適。學(xué)習(xí)過程中因為占比較低，對最終推薦的影響有限，因此通過單獨抽選此類數(shù)據(jù)，結(jié)合遺忘曲線，進行修正。具體來說，針對任一個體設(shè)備，在距離推薦溫度控制5"min內(nèi)，記錄用戶異常調(diào)節(jié)后的溫度（短時間內(nèi)代表不滿意），并且根據(jù)調(diào)節(jié)時長所處區(qū)間進行歸一，每次修正數(shù)據(jù)具體計算如下。

每次得到修正數(shù)據(jù)后，選擇30個自然日內(nèi)距離當日最近的10日使用數(shù)據(jù)。基于指數(shù)以往對這10日的數(shù)據(jù)再次要求加權(quán)平均，過去10日權(quán)重分別為，計算得到行為調(diào)節(jié)修正，若歷史30個自然日內(nèi)用戶沒有使用空調(diào)或無5"min內(nèi)調(diào)節(jié)數(shù)據(jù)，則將其修正值置零。

3.3.3"室內(nèi)外環(huán)境突變反饋

異常的天氣變化，如極端降溫、霧霾等，本身出現(xiàn)概率較低，加上在不同省市地區(qū)，不同季節(jié)月份直接導(dǎo)致的數(shù)據(jù)稀釋更嚴重。有效的數(shù)據(jù)量通常較少，對常規(guī)模型的訓(xùn)練及推薦影響極低。無法有效地反饋到構(gòu)建模型中，但是天氣突變等不確定因素[11]，卻又對用戶的體感影響卻非常明顯，是無法忽略的一個重要因素。如何解決這個矛盾，平衡數(shù)據(jù)量的影響是一個要解決的重點問題。

貝葉斯網(wǎng)絡(luò)是基于貝葉斯定理的一種概率圖模型，能夠清晰地表示多個隨機變量之間的條件依賴關(guān)系。通過貝葉斯網(wǎng)絡(luò)，可以清晰地表達出天氣、時區(qū)和季節(jié)對溫度調(diào)節(jié)綜合影響，甚至是室內(nèi)的溫濕度急速變化帶來的影響。本研究結(jié)合室外天氣預(yù)報，將全國各地區(qū)各季節(jié)中，對應(yīng)的時間/地區(qū)里極端天氣下的用戶調(diào)節(jié)數(shù)據(jù)，提煉出來，并采用貝葉斯網(wǎng)絡(luò)來實現(xiàn)對溫度調(diào)節(jié)與天氣變化之間關(guān)系的修正。最終通過貝葉斯網(wǎng)絡(luò)建模時區(qū)和季節(jié)對溫度調(diào)節(jié)的相關(guān)性與概率，并得到室內(nèi)外環(huán)境修正，并將修正值與多元線性回歸模型的預(yù)測結(jié)果進行對比分析。部分貝葉斯網(wǎng)絡(luò)如圖（3）所示。

2.3.2"用戶體征變化反饋

參考標準《人工環(huán)境舒適性產(chǎn)品"第1部分：房間微氣候調(diào)節(jié)器》（T/CAB"CSISA"0005—2018）中PMVchn適合中國人體質(zhì)的預(yù)計平均熱感覺指數(shù)的計算公式，結(jié)合體驗收集的代謝率（M）"、服裝熱阻（Icl）"、著裝表面積比（fcl）、空氣溫度（ta）、平均輻射溫度（tr）、空氣流速（var）是將處理后的數(shù)據(jù)計算出對應(yīng)的PMV值。將計算得到的PMV值與用戶實際體驗的冷熱感進行比較。如果存在較大偏差，說明當前溫度對人體舒適感的判斷可能有誤，需要進行冷熱感溫度修正。根據(jù)多次測試比較和修正的數(shù)據(jù)，將采集的數(shù)據(jù)與特征應(yīng)用到?jīng)Q策樹算法中，得到用戶體征變化反饋模型，及用戶溫感修正。具體如表2所示。

2.3.4"多重修正綜合

除了上述的3個主要反饋，還包括其他的次要反饋，如新風(fēng)對溫度的反饋。開啟新風(fēng)后，引入了室內(nèi)外空氣循環(huán)對流，制冷制熱效果會受到影響，因此隨著新風(fēng)的開啟與擋位增大，同時推薦溫度需進行相應(yīng)的修正。

對全部修正值進行加權(quán)修正，行為調(diào)節(jié)修正、室內(nèi)外環(huán)境修正、用戶溫感修正加權(quán)修正各數(shù)值各有一個權(quán)值W，分別為，范圍為[0，1]。權(quán)值并非固定不變，而是隨著用戶使用時間，使用條件的階段變化，各w值會相應(yīng)改變。以異常調(diào)節(jié)反饋為例，初始空調(diào)使用時5次以內(nèi)反饋調(diào)節(jié)時，；10次以內(nèi)反饋調(diào)節(jié)時，。最終，得到模型溫度的輸出推薦值，具體如下列公式。

在長期大量的學(xué)習(xí)數(shù)據(jù)與短期少量的反饋數(shù)據(jù)之間取得動態(tài)平衡。

3"實驗與分析

3.1"數(shù)據(jù)集與評估方法

該推薦方法，主要涉及用戶信息和空調(diào)使用行為這兩類數(shù)據(jù)。參考《基于行為曲線的用戶協(xié)同過濾控制推薦》[12]的實驗方法。本實驗隨機抽取2023年的部分用戶及其操作行為作為數(shù)據(jù)集，其中測試集為當前行為盲測數(shù)據(jù)。即在用戶不知情的情況下，選取部分空調(diào)即將發(fā)生的用戶行為進行預(yù)測；通過比較當前發(fā)生的用戶實際操作和模型推薦結(jié)果，以評估模型的好壞。另外，為了測試模型在不同場景下的適應(yīng)性。選擇了普通場景和特殊場景（異常降溫，災(zāi)害天氣等）下的效果對比。最終選測試集具體如表3所示。

本研究實時推薦的空調(diào)操作包括設(shè)置溫度、設(shè)置風(fēng)速等。下面以設(shè)置溫度為例，介紹本研究實驗方法，分為個性化推薦和修正反饋。個性化推薦：AI空調(diào)在用戶使用一段時間之后，應(yīng)基于家庭組合、環(huán)境狀態(tài)、用戶習(xí)慣、舒適性、室外氣候、室內(nèi)空氣質(zhì)量等按個性化推薦溫度和風(fēng)感。修正反饋，在一年四季、全天24小時全時過程中，為用戶使用過程中提供修正后的推薦值

實驗中，對于測試集中的用戶及行為，通過推薦的設(shè)置溫度和用戶實際調(diào)節(jié)的設(shè)置溫度來計算準確率P，以此評估推薦算法的效果。準確率P計算公式為：

式（6）中：表示算法推薦的設(shè)置溫度，表示用戶實際的設(shè)置溫度。29表示設(shè)置溫度取值范圍為[16，"30]，以0.5"℃為精度，共29個值。

3.2"結(jié)果與分析

在該實驗中，對比采用了LBD-WA反饋提升前后（修正前與修正后），并且與鄰近算法KNN和基于人類反饋的強化學(xué)習(xí)RLHF模型對比，并進行了分析。結(jié)果顯示，在普通場景方面，LBD-WA反饋提升與另外三個模型相當。然而，在特殊場景方面本模型具有顯著的優(yōu)勢，這表示本模型在各種時間/地區(qū)/用戶下的適應(yīng)性具有較強適應(yīng)性。表4展示了普通/特殊場景下溫度/風(fēng)等結(jié)果對比。

4"結(jié)語

本研究創(chuàng)造性地提出了一種基于LBD-WA反饋提升模型，依靠少量反饋數(shù)據(jù)在預(yù)測準確性和多場景適應(yīng)性方面表現(xiàn)顯著。然而本研究模型暫時只適用于有反饋的情況下，屬于后置解決方式，具有滯后性?？紤]到用戶的對功能和體驗的要求較高，后續(xù)會側(cè)重于研究把數(shù)據(jù)提前納入特征訓(xùn)練與學(xué)習(xí)之中，前置預(yù)測修正量，使模型具備了自學(xué)習(xí)的能力，可以不斷的提升預(yù)測效果。

參考文獻

[1]"孫齊鳴，莊大偉，曹昊敏，等.空調(diào)控制參數(shù)用戶設(shè)定偏好的預(yù)測方法[J].暖通空調(diào)，2023，53（11）：80-86.

[2]"萬陶成."室內(nèi)熱環(huán)境動態(tài)送風(fēng)模式的個性化推薦方法研究[D].西安：西安建筑科技大學(xué)，2021.

[3]"趙澤明."基于數(shù)據(jù)挖掘技術(shù)的智慧人居模式與行為預(yù)測研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2020.

[4]"王佳明，楊海濱，趙天怡，等.基于溫度多元線性回歸模型的空調(diào)制冷站在線預(yù)測控制方法研究[J].暖通空調(diào)，2023，53（2）：140-147.

[5]"錢瑩，方秀男.多元線性回歸模型及實例應(yīng)用[J].中國科技信息，"2022（4）：73-74.

[6]"馬順."偏好敏感決策樹算法及其在家居環(huán)境監(jiān)控問題中的應(yīng)用研究[D].桂林：廣西師范大學(xué)，2016.

[7]"剛文龍，陳希輝，肖紫薇.基于隨機森林的空調(diào)冷負荷逆向分解方法[J].煤氣與熱力，2022，42（5）：22-26.

[8]"李武濤."基于貝葉斯網(wǎng)絡(luò)的辦公室內(nèi)環(huán)境品質(zhì)預(yù)測控制優(yōu)化方法研究[D].西安：西安建筑科技大學(xué)，2018.

[9]"劉穎."基于機器學(xué)習(xí)的個人熱舒適建模與控制方法研究[D].南京：南京郵電大學(xué)，2022.

[10]"李威."基于人體熱感覺穿戴傳感的公共建筑空調(diào)室溫智能調(diào)控方法研究[D].大連：大連理工大學(xué)，2021.

[11]"張夢芮."基于機器學(xué)習(xí)的不確定系統(tǒng)模型預(yù)測控制參數(shù)整定方法研究[D].西安：西安建筑科技大學(xué)，2022.

[12]"樊其鋒，黑繼偉，呂闖，等.基于行為曲線的用戶協(xié)同過濾控制推薦[J].家電科技，2022（6）：98-102，09.