面向非居住建筑室温预测的可解释机器学习模型解释

人工智能(AI)中一个随之而来的挑战是解释复杂机器学习模型的困难，其日益增加的复杂性使得此类模型难以被人类理解、信任和接受。这些所谓黑箱模型可解释性的缺乏（即便不是完全缺失）可能导致严重的经济与伦理后果，从而阻碍AI在更广泛领域的发展和部署，特别是在涉及关键与监管应用的领域。然而，建筑设备行业是一个高度监管的领域，需要透明且能被人类理解并信任的决策过程。为此，设计并实现自主的供暖、通风与空调系统，以自动且可解释地优化能效与室内热舒适，具有现实关注价值。本文因此提出一种可解释机器学习模型，旨在预测非居住建筑中的室温，以优化已安装HVAC系统的使用。我们通过实验证明，该模型通过考虑历史室温信息以及额外的环境与时间序列特征，可实时准确预测未来八小时的室温。本文基于探索性数据分析结果开展了增强的特征工程过程。此外，在常用可解释机器学习技术之外，我们提出一种基于排列特征的频率响应分析(PF-FRA)方法，用于在频域量化不同预测变量的贡献。基于生成的理由代码，我们发现历史室温特征是影响模型预测的最主要因素。