面向可解释能源性能预测与改造情景分析的门控多模态学习
机器学习
2026-05-07 v1 物理与社会
摘要
实现韧性和可持续的城市需要可扩展的途径来实现住宅建筑的脱碳。英国住宅建筑约占温室气体排放总量的 20%，在欧盟能源相关排放中占比高达 25%。能源性能证书 (EPC) 支持监管和改造规划，但其依赖现场检查的做法限制了城市规模评估的及时性。本研究引入一种门控多模态模型，用于预测标准评估程序 (SAP) 能源效率和环境影响 (EI) 评分，通过整合 EPC 的表格变量、评估员撰写的自由文本，以及描述建筑轮廓几何、高度、面积和朝向的地理信息系统 (GIS) 派生的空间特征。样本级门控学习属性各模态的权重，而辅助的带分类头则稳定训练过程。在伦敦西斯特里普顿的案例研究中，该模型对 SAP 和 EI 评分的预测误差分别为 4.03 和 4.76 分，R² 分别为 0.757 和 0.748，平均 MAE 为 4.39。消融实验表明，完整的多模态融合在两项评分预测和分级分类方面均优于单模态和双模态基线。解释性分析提供了决策相关证据：门控权重表明对评估员文本的依赖程度较强；SHAP 分析显示燃料类型、建筑形式和Construction age band 为主要影响因素；文本遮蔽实验优先考虑屋顶和墙体字段；空间属性分析显示高度和轮廓面积占主导，同时对轮廓形状具有较强灵敏度。该经验证的框架进一步应用于墙体保温、屋顶保温和窗户改造等改造情景，显示出在 SAP、EI、年能源成本和等效 CO₂ 排放方面的项目性改进。总体而言，该框架为住宅建筑的筛选、干预优先排序以及实现净零住房转型提供了可扩展的面向属性的证据。
引用
@article{arxiv.2605.05088,
title = {Gated Multimodal Learning for Interpretable Property Energy Performance Prediction and Retrofit Scenario Analysis},
author = {Yunfei Bai and Aaron Tesfa Tsion and Raul Rosales and Barbara Shollock and Wei He},
journal= {arXiv preprint arXiv:2605.05088},
year = {2026}
}