本刊“学术动态（Planning Reviews）”栏目，推介国内外学术书籍和文献报告、关注国际研究动态和前沿热点、分享规划案例研究。本期“智能城镇化”专栏，向大家推介一篇应用智能算法预测城市社区建筑能耗的研究文献。
（专栏编辑：杨婷，同济大学建筑与城市规划学院副研究员）
来源：JIANG Q, HUANG C, QIAO R. Predicting building energy consumption in urban neighborhoods using machine learning algorithms[J]. Frontiers of Urban and Rural Planning, 2024(2): 16.
在智能城镇化的进程中，准确预测和管理城市建筑能耗已成为实现城市可持续发展的关键环节。建筑能耗不仅在城市总能耗中占比显著，而且对于制定有效的能源政策、优化城市规划和促进技术创新具有重要意义。鉴于此，一项融合物理模拟和数据驱动方法的技术创新应运而生。这项研究利用机器学习算法对城市社区的建筑能耗进行深入的预测，为城市规划和能源管理开辟了新的视野。
该研究利用上海中心区的18,789个社区的建筑能耗数据，通过物联网和传感器网络收集了包括气候条件、建筑物特性和用户行为等在内的多维度信息。研究团队进一步通过特征工程和降维技术，识别并提炼出了14个与土地使用和建筑形态紧密相关的因素，有效提升了模型的计算效率和预测精度。
在技术实现上，该研究不仅涵盖了包括支持向量机（SVM） 和深度学习在内的多种先进算法，还特别聚焦于集成学习方法的性能对比和优化。在集成学习方法的评估中，研究团队对比了Bagging 回归、Extra Trees、随机森林、梯度提升、AdaBoost以及XGBoost等六种算法。研究结果显示，XGBoost算法在预测建筑屋顶光伏潜力、总负荷、冷却负荷和加热负荷方面表现优异，测试集上的准确度分别达到了0.956、0.674、0.608和0.762。基于这些指标，预测误差被控制在10%以内，这在能耗预测领域是一个相当高的标准，凸显了机器学习算法在提高预测精度方面的显著优势。
此外，研究利用SHAP值对模型进行了深入解释，精准筛选出了对预测结果影响最大的特征，有效降低了模型的复杂性，同时维持了高准确度的预测。这一技术实现不仅显著提升了预测的效率和精确度，而且为城市规划者提供了一个强有力的决策支持工具，尤其在早期规划阶段，这为制定有效的政策和规划提供了重要支撑。
综合来看，这项研究在建筑能耗预测领域开辟了新的技术途径，其创新的方法和突出的成果，为智能城镇化的能耗管理和优化提供了参考和启示。随着智能技术的持续进步和更广泛的应用，预计未来将在城市可持续发展的多个方面带来更多创新的可能性。
URBAN PLANNING FORUM Since 1957
创新性、前瞻性、学术性
中文核心期刊，中国科技核心期刊，中国人文社会科学核心期刊，中文社会科学引文索引来源期刊（CSSCI），中国期刊全文数据库（CJFD）全文收录期刊，中国学术期刊综合评价数据库（CAJCED）统计源期刊，中国科学引文数据库（CSCD）来源期刊，中国核心学术期刊（RCCSE），国家哲学社会科学学术期刊数据库收录期刊，乌利希国际期刊指南（UPD）收录期刊
官网链接：https://upforum.tongji.edu.cn/main.htm
投稿链接：http://cxgh.cbpt.cnki.net
Email: upforum@vip.126.com
电话：021-65983507
传真：021-65975019
微信号：upforum
