近期，课题组博士生李潇婧（导师：罗茂辉副教授）在Building and Environment (Q1, IF:7.1)上发表了关于渐变温度工况基于红外成像的数据驱动热舒适预测模型研究。该研究在冬季和夏季分别进行了热舒适实验，涵盖了供暖和制冷模式下八种温度范围。采用非侵入式红外热成像技术测量皮肤和衣物表面温度，获取了有关皮肤温度、红外温度、环境参数和热舒适投票的数据，以构建动态热舒适数据集。进而，对五种先进的机器学习方法进行了比较，以开发适用于冬季和夏季供暖和制冷场景的热舒适预测模型。研究结果表明，在动态热环境下使用红外温度测量进行热舒适预测是可行的。

原文链接

https://doi.org/10.1016/j.buildenv.2025.112824

研究背景

由于热舒适对能耗、健康以及工作效率有着显著的影响，“以人为本”的控制策略受到了大量的研究关注。传统的热舒适研究主要集中稳态均匀环境，对动态非均匀环境的研究有限。现有模型（如UCB模型）的复杂性及其相关的计算需求限制了它们在各种建筑环境中的广泛应用。智能传感、机器学习和人工智能的进步激发了人们对将机器学习应用于热舒适预测的浓厚兴趣。与传统的基于模型的方法相比，数据驱动方法在解决复杂的非线性问题时通常表现出卓越的准确性和泛化能力。通过非接触式技术（如红外成像技术）获取的数据来训练预测模型成为发展趋势，进一步改变了建筑领域的研究范式。因此，本研究利用热像仪提取人体全身红外温度能够更有效地反应动态非均匀环境特征，所提取的数据可用于开发热舒适预测模型。

研究结论

a) 基于五种机器学习算法（SVM、KNN、EL、ANN、RF）构建热舒适度预测模型，在动态/稳态条件下的冬季和夏季实验中，模型准确率达95%-98%；

b) 红外相机采样间隔延长（10-180秒）对测量误差影响微小（相对误差<0.3），手部温度是瞬态热舒适预测的最关键生理参数;

c) 所提出的热舒适预测框架有较高的准确度且对建筑内人员干扰较小。

以下为论文中部分图示：

图1 模型框架图