面向建筑能源改造决策的可信赖设计分类模型
机器学习
2026-03-27 v2
摘要
提高住宅建筑的能源效率是应对气候变化并减少温室气体排放的关键措施。由于住宅建筑在能源消费中占据重要比例，对现有建筑进行改造因此成为首要任务，尤其是对于建筑存量陈旧的地区。人工智能（AI）和机器学习（ML）可自动化改造决策并发现改造策略，但其应用面临数据获取、模型透明性以及遵循国家和欧盟 AI 法规（包括 AI 法案、伦理指南和 ALTAI）等挑战。本文提出一种可信赖设计 ML 决策支持框架，用于使用最小用户可访问输入为住宅建筑推荐能源效率策略。该框架整合了条件表格生成对抗网络（CTGAN）来扩充有限且不平衡的数据，并采用神经网络基于多标签分类器预测可能的改造动作组合。为支持解释和可信赖，框架引入基于 SHapley 叠加解释（SHAP）的可解释 AI（XAI）层，阐明推荐背后的逻辑并指导特征工程。两个案例研究验证了性能和泛化性：第一个利用来自英格兰和威尔士的成熟大型 EPC 数据集；第二个使用来自拉脱维亚的小型不平衡回改造后数据集（RETROFIT-LAT）。结果表明，该框架能够处理多样化的数据条件，并较基线实现了最高 53% 的性能提升。总体而言，所提出的框架为建筑改造决策提供了可行的、可解释的且可信赖的 AI 系统，通过确保性能、可用性和透明度，帮助利益相关者优先确定有效能源投资，支持符合规定的数据驱动创新在可持续能源转型中的应用。
引用
@article{arxiv.2504.06055,
title = {A Trustworthy By Design Classification Model for Building Energy Retrofit Decision Support},
author = {Panagiota Rempi and Sotiris Pelekis and Alexandros Menelaos Tzortzis and Evangelos Spiliotis and Evangelos Karakolis and Christos Ntanos and Dimitris Askounis},
journal= {arXiv preprint arXiv:2504.06055},
year = {2026}
}