.png){kind=icon}
返回
Interpretable building energy performance prediction using XGBoost Quantile Regression
.png){kind=icon}
PRE
AI
DOI：10.1016/j.enbuild.2025.115815.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究聚焦于使用机器学习算法预测伊斯坦布尔3,594栋住宅建筑的建筑能源性能比（BEPR）。主要目标是识别影响BEPR的因素，考察其影响，并分析这些因素在低能效和高能效建筑中的差异。为此，评估了七种机器学习模型：多元线性回归（MLR）、决策树（DT）、K近邻（KNN）、支持向量回归（SVR）、人工神经网络（ANN）、随机森林（RF）和极端梯度提升（XGBoost）。结果表明，XGBoost在所有模型中精度最高。为提升XGBoost的可解释性，采用了Shapley加性解释（SHAP）方法，从而评估不同特征（如墙体U值、窗户U值和建筑年龄）对BEPR的影响。分析显示，建筑热性能和年龄是决定BEPR的关键因素。此外，通过应用XGBoost分位数回归（XGBoost-QR）算法，更有效地分析了BEPR在不同分位数（低、中、高）上的分布。该方法表明，影响BEPR的特征在低能效和高能效建筑之间存在差异。具体而言，在低分位数区间，结构特征如墙体和窗户保温对BEPR的影响更大，而在高分位数区间，建筑年龄和屋顶保温则更为重要。本研究有助于深入理解住宅能源性能的决定因素，引入XGBoost-QR在能源性能分析中的应用，并为提升能源效率策略提供了宝贵见解。
Keyword:
Building Energy Performance Ratio
XGBoost Quantile Regression
Interpretable Machine Learning
Energy Efficiency
Machine Learning
Shapley Additive Explanations Analysis
期刊
IF:
7.1
论文数:
1.6W
被引数:
6.8W
机构
暂无机构信息
引用论文
Price and expenditure elasticities of residential energy demand during urbanization: An empirical analysis based on the household-level survey data in China城市化进程中居民能源需求的价格与支出弹性 -- 基于中国家庭调查数据的实证分析.png)
ENERGY POLICY
ENERGY POLICYIF9.2
PREAI
分享收藏State of the art in building modelling and energy performances prediction: A review建筑建模和能源性能预测的最新技术: 综述
OAAI
OAAI分享收藏Prediction and optimization of heating and cooling loads in a residential building based on multi-layer perceptron neural network and different optimization algorithmsENERGY
ENERGYIF9.4
PREAI
分享收藏Building energy consumption prediction for residential buildings using deep learning and other machine learning techniques基于深度学习和其他机器学习技术的住宅建筑能耗预测OAAI
OAAI分享收藏
查看更多内容