摘要:现有住宅建筑在室行为预测模型缺乏对住户差异性的合理考虑，导致模型往往存在整体预测精度不高和适用性受限等问题. 针对这一问题，提出一种考虑住户差异性的马尔可夫链在室状态预测模型. 该模型首先通过Spearman相关性分析确定了不同影响因素（即特征参数）与住户总在室时长的相关性，将相关系数作为特征参数权值并结合聚类分析对住户群体进行分类. 在此基础上采用马尔可夫链模型对住户在室状态进行预测. 为评估所建立预测模型的性能，以英国TUS（Time Use Survey）数据库为例，将改进模型与传统马尔可夫链模型进行对比分析. 结果表明，该方法能够综合考虑不同住户特征参数及其对在室行为的影响，对住户进行合理的分类，与传统马尔可夫模型相比，所建预测模型显著提升了整体性能，平均绝对误差和均方根误差分别减小了20.57%和15.35%.

摘要:准确预测建筑用户在室行为可显著提高建筑能耗模拟精度，并进一步帮助建筑设计及运行控制优化. 当前进行在室行为预测时所采用的主要是基于隐马尔可夫链方法的数学模型，该模型考虑了在室行为的时间关联性，可平稳有效地预测在室行为. 然而现有隐马尔科夫模型难以准确描述在室行为动态变化规律以及在室行为与可观测参数之间的关联，降低了模型预测精度. 针对该问题，本文提出一种基于状态转移的时变隐马尔科夫模型. 该模型采用时变状态转移概率矩阵量化不同时刻在室行为的动态变化特征及关联，同时该模型基于状态转移计算可观测参数的概率分布以定量描述在室行为对可观测参数的影响. 本文采用比利时某办公室在室行为数据库进行了相关建模和验证，结果表明该模型可更有效地捕捉在室状态变化，从而提高了在室行为预测精度.