基于LBD-WA反饋提升的空調智能控制方法研究

摘要：為了解決傳統空調溫度控制方法在滿足不同用戶不同場景需求時的局限性，提出了一種空調智能溫風控制算法。此算法通過結合多元線性回歸（Linear"Regression）的趨勢預測、貝葉斯網絡（Bayesian"network）的室內外環境突變修正和決策樹（Decision"Tree）的用戶體征修正，形成了一個綜合考慮多種因素的溫度調節模型。通過三合一修正的加權平均（Weighted"Average）方法，成為LBD-WA反饋提升模型。該模型不僅能夠考慮實時的環境變化，還可以根據用戶的溫感和所處時區季節做出相應調整，從而更準確地為用戶提供舒適的溫度環境。為了驗證該算法的效果，將此模型與其他機器學習方法進行了對比實驗。結果顯示，LBD-WA模型在預測準確性和多場景適應性方面表現優異，LBD-WA模型在準確率方面比傳統空調方法提高了6%。這為未來智能家居的溫控技術提供了一個新的方向。

關鍵詞：多重反饋修正""多元線性回歸""貝葉斯網絡""決策樹""異常調節反饋""時區季節反饋"體征變化反饋

中圖分類號：TP181

Research"on"Intelligent"Control"Algorithm"for"Air"Conditioning"Based"on"LBD-WA"Feedback"Enhancement

LYU"Chuang"""PANG"Min"""LIU"Pu

Guangdong"Midea"Air-Conditioning"Equipment"Co.，"Ltd."Foshan，"Guangdong"Province，528300"China

Abstract："This"article"proposes"an"intelligent"temperature"and"air"conditioning"control"algorithm"to"address"the"limitations"of"traditional"air"conditioning"temperature"control"methods"in"meeting"the"diverse"needs"of"different"users"and"scenarios."The"algorithm"combines"trend"prediction"using"Multiple"Linear"Regression，"environmental"change"correction"using"Bayesian"network，"and"user"characteristic"correction"using"Decision"Tree"to"form"a"temperature"adjustment"model"that"comprehensively"considers"multiple"factors."By"using"the"Weighted"Average"method"with"three"in"one"correction，"it"becomes"the"LBD-WA"feedback"enhancement"model."It"not"only"considers"real-time"environmental"changes"but"alsonbsp;adjusts"according"to"the"user's"temperature"preferences"and"seasonal"changes"in"their"time"zone"to"provide"a"more"accurate"and"comfortable"temperature"environment."To"validate"the"effectiveness"of"this"algorithm，"comparative"experiments"were"conducted"between"this"model"and"other"machine"learning"methods."The"results"show"that"the"LBD-WA"model"performs"well"in"terms"of"prediction"accuracy"and"adaptability"to"multiple"scenarios，"with"a"6%"improvement"in"accuracy"compared"to"traditional"air"conditioning"methods."This"provides"a"new"direction"for"temperature"control"technology"in"future"smart"homes.

Key"Words："Multiple"feedback"correction;"Multiple"Linear"Regression;"Bayesian"network;"Decision"Tree;"Abnormal"adjustment"feedback;"Time"zone"and"seasonal"feedback;"Physiological"change"feedback

隨著人工智能技術的快速發展和智能家居的普及，室內空氣環境已逐漸成為人們追求生活品質關注的重要維度。現已有采用機器學習方法研究空調系統的動態控溫和送風技術等相關研究[1～3]，相比傳統的空調溫風控制技術，可以更加穩定地維持室內空氣舒適環境。

然而這些智能的溫風預測控制技術，由于目標溫度無法自適應用戶與環境的變化，極易出現過冷或過熱等舒適性問題。現有許多研究已經在“個性化”這個問題上進行了探索。如孫齊鳴學者提出云端梯度提升學習框架模型結合邊端多維矩陣插值，實現用戶設定偏好的預測方法"[1]。萬陶成[2]通過響應曲面模型與多元線性回歸模型訓練，采用TOPSIS方法決策出個性化推薦方法。趙澤明[3]則對基于數據挖掘技術的智慧人居模式與行為預測進行了研究。此類研究需依賴較長時間與較多數據學習，沒有考慮到極端的天氣突變，及用戶日常活動等不同場景下的適應性，存在一定的局限性。

因此，本研究提出了一種基于LBD-WA反饋提升的空調智能控制算法。此算法不僅綜合了機器學習模型的趨勢預測和用戶行為反饋，而且還考慮了環境變化、用戶感受以及時區季節變化等多方面因素進行修正提升，旨在為用戶提供更強的適應性的室內溫風個性化控制。

1"研究背景

現有空調自動化控制，主要分為以傳統規則控制和機器學習模型決策控制兩類，以實現對用戶設定溫度、風速等參數的主動調節。

常用的機器學習算法包括多元線性回歸、貝葉斯推斷、梯度提升決策樹等。

線性回歸模型用于識別連續因變量與一個或多個自變量之間的關系。隨著自變量數目的增加，稱為多元線性回歸。對于每種線性回歸，都會力求繪制一條通過一組數據點的最佳擬合線，這通常使用最小二乘法來計算。

貝葉斯推斷是一種基于貝葉斯定理的統計推斷方法。貝葉斯定理提供了一個描述在已知某種證據或信息情況下，某一假設或事件概率如何變化的方式。

梯度提升決策樹（Gradient"Boost"Decision"Tree，GBDT）是以決策樹為基學習器的迭代算法。一般提升算法都是一個迭代的過程，每一次新的訓練都是為了改進上一次的結果。

通常來講，多元線性回歸模型[4-5]經常被運用于分析室內溫度與各種環境因子，例如：戶外溫度和濕度的關系，從而在環境微變時實時調整控制策略。決策樹模型[6-7]通過解析大量的用戶和環境數據，為各種情境制定快速響應策略，特別是處理復雜的用戶溫感數據。貝葉斯網絡[8]則為這一系列控制提供了概率性的決策依據，增加了控制的靈活性，能處理因素如時間和季節。在這背景下，如預計平均熱感覺指數（Predicted"Mean"Vote，PMV），季節、用戶的手動調節等因素被認為是影響用戶溫度舒適度[9-10]的重要指標。這些特征都能為機器學習模型提供豐富的上下文信息，從而幫助模型更好地理解和滿足用戶的個性化需求。

2"LBD-WA反饋提升方法研究

詳細介紹了LBD-WA反饋提升模型的方法研究。總體如圖1所示。

首先，基于環境狀態、設備運行、用戶行為的多維參數進行特征工程；其次，對比各種算法效果選擇并構建溫風推薦模型；最后，基于多重反饋進行修正，包括異常調節反饋，室內外環境反饋，用戶體征反饋和加權修正。持續優化模型推薦控制參數，實現高適應的空調溫風智能控制。基于此，本研究將從這幾個部分進行詳細闡述。

2.1"數據預處理及特征工程

從物聯網上，收集環境狀態、設備運行、用戶行為等數據、對這些數據進行預處理與特征工程。數據預處理流程主要分為4個部分，具體如圖2所示。

上報數據收集表（A表），是收集記錄原始的數據。記錄空調一次從開機到關機使用過程中的各種數據，規則為1"min采集記錄一次或用戶調節時即時采集。數據主要包括操作時間、開關機、設置溫度、設置模式、室內溫度、室外溫度等數據。

調控單次錄入表（B表），對A表進行數據預處理。將空調一次從開機到關機過程中的全部數據匯總成一條數據。數據主要包括開機時間、開機室溫、開機目標溫度、使用的穩定溫度、設置模式、調節幅度等數據。通過大數據歷史行為統計發現，用戶的操作行為分布，60%出現在10"min內，80%出現在30"min內。所以區分不同階段的設置溫度、對最終模型具有很大的影響效果。

調控歷史數據表（C表），對B表進一步數據處理，提取高級特征。將空調不同模式下的B表數據，各自匯總成一條數據。分為制冷、制熱、自動、送風、抽濕等最多5條數據。初始數據主要包括設置模式、開機常處室溫、開機偏低室溫、開機偏高室溫、運行時調高的幅度、運行時調低的幅度等數據。

預測特征表（X表），是對A表和C表的數據匯總，作為最終模型的輸入特征參數。每5"min預測一次，記錄一次數據。擴展了156到特征參數，面對這些可能存在非線性關系的特征，特別采用了基于決策樹的特征工程方法，其核心是評估每個特征的分割純度，其中一個常用的指標是基尼不純度（）或信息增益，其中公式如下。

式（1）中，數據有個類別，為第個類別，為第個節點，是第節點上類別的比例。

通過特征重要性，最終選擇了19個最重要的特征作為模型的輸入，主要包括設置模式、室內溫度、室外溫度、開機常處室溫、開機偏低室溫、開機偏高室溫、運行時調高的幅度、運行時調低的幅度等。這些特征參數的具體信息可以在表1中進行查看。

2.2"模型構建與預測

基于確定的19個特征，同時考慮計算速率和復雜性，本研究中嘗試了GBDT、K近鄰（K-Nearest"Neighbor，KNN）等模型，通過準確率、均方根誤差（Root"Mean"Squared"Error，RMSE）來對比選擇模型效果，并且針對效果最優模型多次進行參數調優，最終選擇多元線性回歸方法。

在空調自動化控制中，可以通過多元線性回歸模型來預測空調系統的溫度和風速等參數，并根據預測結果進行控制，從而實現空調系統的自適應調節和優化。具體而言，可以通過樣本數據來計算自變量和因變量之間的相關系數，從而得到自變量的系數估計值。然后，可以利用估計值來預測因變量的取值，并根據預測結果進行控制。

以溫度為例，為預測用戶溫度調節范圍（16～30"℃，精度為0.5"℃），將用戶調節的溫度作為模型的預測指標，利用多元線性回歸預測用戶設定溫度。溫度回歸預測方面，在模型評估上，計算模型預測設定均方差損失（Mean"Square"Error，MSE），其公式如下。

式（2）中，表示訓練數據；表示第個訓練數據的真實輸出；表示模型對的預測值。

并且將模型預測的溫度與真實用戶設置溫度的差值在±0.5"℃以內的記為預測正確，否則記為錯誤，來評估模型調節的準確性。

另一個風擋控制模型是一個分類模型，將建立的多元線性回歸的預測值，映射到10個檔位（無極風的1%～100%，步長為10%）。將真實的用戶調節風擋作為模型的真實值，計算預測值和真實值之間的準確率。在風速檔位分類模型評估方面，采用交叉熵誤差（Cross-Entropy"Error，CCE）作為損失函數，用精確率即正例中正確分類的樣本與所有被分類為正例的樣本之間的比例表示模型準確率。

式（3）中：表示數據樣本；表示第個樣本的真實標簽；表示模型對該樣本預測為第個的概率。

通過預測分別得到溫度推薦值和風速推薦值。

2.3"基于多重反饋的修正

在用戶使用空調的時候，每個用戶都會產生個性數據，引入修正的方式，對模型預測結果進行修正微調。通過異常調節反饋、時區季節反饋、用戶體征反饋的多重修正，從而提升空調系統的自適應調節和優化。

接下來以溫度為例，將用戶調節反饋的行為調節修正、時區季節修正、用戶溫感模型修正加權修正，結合推薦值，從而得出更符合用戶需求的最終值。

2.3.1"異常調節反饋

“自學習”模型在機器學習中通常是指能夠不斷地從新的數據中學習和更新其預測或決策的模型。在用戶調節反饋修正的場景下，自學習意味著模型會考慮用戶的實時反饋，根據這些反饋不斷地調整和優化自己的參數，使預測的結果更加符合用戶的實際操作和偏好。

在空調使用過程中，用戶的調節溫度數據偏少，大量數據為周期性上報的相同設置溫度；特別是開啟智能控制后的調節更少，而用戶調節意味著對推薦溫度不舒適。學習過程中因為占比較低，對最終推薦的影響有限，因此通過單獨抽選此類數據，結合遺忘曲線，進行修正。具體來說，針對任一個體設備，在距離推薦溫度控制5"min內，記錄用戶異常調節后的溫度（短時間內代表不滿意），并且根據調節時長所處區間進行歸一，每次修正數據具體計算如下。

每次得到修正數據后，選擇30個自然日內距離當日最近的10日使用數據。基于指數以往對這10日的數據再次要求加權平均，過去10日權重分別為，計算得到行為調節修正，若歷史30個自然日內用戶沒有使用空調或無5"min內調節數據，則將其修正值置零。

3.3.3"室內外環境突變反饋

異常的天氣變化，如極端降溫、霧霾等，本身出現概率較低，加上在不同省市地區，不同季節月份直接導致的數據稀釋更嚴重。有效的數據量通常較少，對常規模型的訓練及推薦影響極低。無法有效地反饋到構建模型中，但是天氣突變等不確定因素[11]，卻又對用戶的體感影響卻非常明顯，是無法忽略的一個重要因素。如何解決這個矛盾，平衡數據量的影響是一個要解決的重點問題。

貝葉斯網絡是基于貝葉斯定理的一種概率圖模型，能夠清晰地表示多個隨機變量之間的條件依賴關系。通過貝葉斯網絡，可以清晰地表達出天氣、時區和季節對溫度調節綜合影響，甚至是室內的溫濕度急速變化帶來的影響。本研究結合室外天氣預報，將全國各地區各季節中，對應的時間/地區里極端天氣下的用戶調節數據，提煉出來，并采用貝葉斯網絡來實現對溫度調節與天氣變化之間關系的修正。最終通過貝葉斯網絡建模時區和季節對溫度調節的相關性與概率，并得到室內外環境修正，并將修正值與多元線性回歸模型的預測結果進行對比分析。部分貝葉斯網絡如圖（3）所示。

2.3.2"用戶體征變化反饋

參考標準《人工環境舒適性產品"第1部分：房間微氣候調節器》（T/CAB"CSISA"0005—2018）中PMVchn適合中國人體質的預計平均熱感覺指數的計算公式，結合體驗收集的代謝率（M）"、服裝熱阻（Icl）"、著裝表面積比（fcl）、空氣溫度（ta）、平均輻射溫度（tr）、空氣流速（var）是將處理后的數據計算出對應的PMV值。將計算得到的PMV值與用戶實際體驗的冷熱感進行比較。如果存在較大偏差，說明當前溫度對人體舒適感的判斷可能有誤，需要進行冷熱感溫度修正。根據多次測試比較和修正的數據，將采集的數據與特征應用到決策樹算法中，得到用戶體征變化反饋模型，及用戶溫感修正。具體如表2所示。

2.3.4"多重修正綜合

除了上述的3個主要反饋，還包括其他的次要反饋，如新風對溫度的反饋。開啟新風后，引入了室內外空氣循環對流，制冷制熱效果會受到影響，因此隨著新風的開啟與擋位增大，同時推薦溫度需進行相應的修正。

對全部修正值進行加權修正，行為調節修正、室內外環境修正、用戶溫感修正加權修正各數值各有一個權值W，分別為，范圍為[0，1]。權值并非固定不變，而是隨著用戶使用時間，使用條件的階段變化，各w值會相應改變。以異常調節反饋為例，初始空調使用時5次以內反饋調節時，；10次以內反饋調節時，。最終，得到模型溫度的輸出推薦值，具體如下列公式。

在長期大量的學習數據與短期少量的反饋數據之間取得動態平衡。

3"實驗與分析

3.1"數據集與評估方法

該推薦方法，主要涉及用戶信息和空調使用行為這兩類數據。參考《基于行為曲線的用戶協同過濾控制推薦》[12]的實驗方法。本實驗隨機抽取2023年的部分用戶及其操作行為作為數據集，其中測試集為當前行為盲測數據。即在用戶不知情的情況下，選取部分空調即將發生的用戶行為進行預測；通過比較當前發生的用戶實際操作和模型推薦結果，以評估模型的好壞。另外，為了測試模型在不同場景下的適應性。選擇了普通場景和特殊場景（異常降溫，災害天氣等）下的效果對比。最終選測試集具體如表3所示。

本研究實時推薦的空調操作包括設置溫度、設置風速等。下面以設置溫度為例，介紹本研究實驗方法，分為個性化推薦和修正反饋。個性化推薦：AI空調在用戶使用一段時間之后，應基于家庭組合、環境狀態、用戶習慣、舒適性、室外氣候、室內空氣質量等按個性化推薦溫度和風感。修正反饋，在一年四季、全天24小時全時過程中，為用戶使用過程中提供修正后的推薦值

實驗中，對于測試集中的用戶及行為，通過推薦的設置溫度和用戶實際調節的設置溫度來計算準確率P，以此評估推薦算法的效果。準確率P計算公式為：

式（6）中：表示算法推薦的設置溫度，表示用戶實際的設置溫度。29表示設置溫度取值范圍為[16，"30]，以0.5"℃為精度，共29個值。

3.2"結果與分析

在該實驗中，對比采用了LBD-WA反饋提升前后（修正前與修正后），并且與鄰近算法KNN和基于人類反饋的強化學習RLHF模型對比，并進行了分析。結果顯示，在普通場景方面，LBD-WA反饋提升與另外三個模型相當。然而，在特殊場景方面本模型具有顯著的優勢，這表示本模型在各種時間/地區/用戶下的適應性具有較強適應性。表4展示了普通/特殊場景下溫度/風等結果對比。

4"結語

本研究創造性地提出了一種基于LBD-WA反饋提升模型，依靠少量反饋數據在預測準確性和多場景適應性方面表現顯著。然而本研究模型暫時只適用于有反饋的情況下，屬于后置解決方式，具有滯后性。考慮到用戶的對功能和體驗的要求較高，后續會側重于研究把數據提前納入特征訓練與學習之中，前置預測修正量，使模型具備了自學習的能力，可以不斷的提升預測效果。

參考文獻

[1]"孫齊鳴，莊大偉，曹昊敏，等.空調控制參數用戶設定偏好的預測方法[J].暖通空調，2023，53（11）：80-86.

[2]"萬陶成."室內熱環境動態送風模式的個性化推薦方法研究[D].西安：西安建筑科技大學，2021.

[3]"趙澤明."基于數據挖掘技術的智慧人居模式與行為預測研究[D].哈爾濱：哈爾濱工業大學，2020.

[4]"王佳明，楊海濱，趙天怡，等.基于溫度多元線性回歸模型的空調制冷站在線預測控制方法研究[J].暖通空調，2023，53（2）：140-147.

[5]"錢瑩，方秀男.多元線性回歸模型及實例應用[J].中國科技信息，"2022（4）：73-74.

[6]"馬順."偏好敏感決策樹算法及其在家居環境監控問題中的應用研究[D].桂林：廣西師范大學，2016.

[7]"剛文龍，陳希輝，肖紫薇.基于隨機森林的空調冷負荷逆向分解方法[J].煤氣與熱力，2022，42（5）：22-26.

[8]"李武濤."基于貝葉斯網絡的辦公室內環境品質預測控制優化方法研究[D].西安：西安建筑科技大學，2018.

[9]"劉穎."基于機器學習的個人熱舒適建模與控制方法研究[D].南京：南京郵電大學，2022.

[10]"李威."基于人體熱感覺穿戴傳感的公共建筑空調室溫智能調控方法研究[D].大連：大連理工大學，2021.

[11]"張夢芮."基于機器學習的不確定系統模型預測控制參數整定方法研究[D].西安：西安建筑科技大學，2022.

[12]"樊其鋒，黑繼偉，呂闖，等.基于行為曲線的用戶協同過濾控制推薦[J].家電科技，2022（6）：98-102，09.