基于LBD-WA反馈提升的空调智能控制方法研究

摘要：为了解决传统空调温度控制方法在满足不同用户不同场景需求时的局限性，提出了一种空调智能温风控制算法。此算法通过结合多元线性回归（Linear"Regression）的趋势预测、贝叶斯网络（Bayesian"network）的室内外环境突变修正和决策树（Decision"Tree）的用户体征修正，形成了一个综合考虑多种因素的温度调节模型。通过三合一修正的加权平均（Weighted"Average）方法，成为LBD-WA反馈提升模型。该模型不仅能够考虑实时的环境变化，还可以根据用户的温感和所处时区季节做出相应调整，从而更准确地为用户提供舒适的温度环境。为了验证该算法的效果，将此模型与其他机器学习方法进行了对比实验。结果显示，LBD-WA模型在预测准确性和多场景适应性方面表现优异，LBD-WA模型在准确率方面比传统空调方法提高了6%。这为未来智能家居的温控技术提供了一个新的方向。

关键词：多重反馈修正""多元线性回归""贝叶斯网络""决策树""异常调节反馈""时区季节反馈"体征变化反馈

中图分类号：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

随着人工智能技术的快速发展和智能家居的普及，室内空气环境已逐渐成为人们追求生活品质关注的重要维度。现已有采用机器学习方法研究空调系统的动态控温和送风技术等相关研究[1～3]，相比传统的空调温风控制技术，可以更加稳定地维持室内空气舒适环境。

然而这些智能的温风预测控制技术，由于目标温度无法自适应用户与环境的变化，极易出现过冷或过热等舒适性问题。现有许多研究已经在“个性化”这个问题上进行了探索。如孙齐鸣学者提出云端梯度提升学习框架模型结合边端多维矩阵插值，实现用户设定偏好的预测方法"[1]。万陶成[2]通过响应曲面模型与多元线性回归模型训练，采用TOPSIS方法决策出个性化推荐方法。赵泽明[3]则对基于数据挖掘技术的智慧人居模式与行为预测进行了研究。此类研究需依赖较长时间与较多数据学习，没有考虑到极端的天气突变，及用户日常活动等不同场景下的适应性，存在一定的局限性。

因此，本研究提出了一种基于LBD-WA反馈提升的空调智能控制算法。此算法不仅综合了机器学习模型的趋势预测和用户行为反馈，而且还考虑了环境变化、用户感受以及时区季节变化等多方面因素进行修正提升，旨在为用户提供更强的适应性的室内温风个性化控制。

1"研究背景

现有空调自动化控制，主要分为以传统规则控制和机器学习模型决策控制两类，以实现对用户设定温度、风速等参数的主动调节。

常用的机器学习算法包括多元线性回归、贝叶斯推断、梯度提升决策树等。

线性回归模型用于识别连续因变量与一个或多个自变量之间的关系。随着自变量数目的增加，称为多元线性回归。对于每种线性回归，都会力求绘制一条通过一组数据点的最佳拟合线，这通常使用最小二乘法来计算。

贝叶斯推断是一种基于贝叶斯定理的统计推断方法。贝叶斯定理提供了一个描述在已知某种证据或信息情况下，某一假设或事件概率如何变化的方式。

梯度提升决策树（Gradient"Boost"Decision"Tree，GBDT）是以决策树为基学习器的迭代算法。一般提升算法都是一个迭代的过程，每一次新的训练都是为了改进上一次的结果。

通常来讲，多元线性回归模型[4-5]经常被运用于分析室内温度与各种环境因子，例如：户外温度和湿度的关系，从而在环境微变时实时调整控制策略。决策树模型[6-7]通过解析大量的用户和环境数据，为各种情境制定快速响应策略，特别是处理复杂的用户温感数据。贝叶斯网络[8]则为这一系列控制提供了概率性的决策依据，增加了控制的灵活性，能处理因素如时间和季节。在这背景下，如预计平均热感觉指数（Predicted"Mean"Vote，PMV），季节、用户的手动调节等因素被认为是影响用户温度舒适度[9-10]的重要指标。这些特征都能为机器学习模型提供丰富的上下文信息，从而帮助模型更好地理解和满足用户的个性化需求。

2"LBD-WA反馈提升方法研究

详细介绍了LBD-WA反馈提升模型的方法研究。总体如图1所示。

首先，基于环境状态、设备运行、用户行为的多维参数进行特征工程；其次，对比各种算法效果选择并构建温风推荐模型；最后，基于多重反馈进行修正，包括异常调节反馈，室内外环境反馈，用户体征反馈和加权修正。持续优化模型推荐控制参数，实现高适应的空调温风智能控制。基于此，本研究将从这几个部分进行详细阐述。

2.1"数据预处理及特征工程

从物联网上，收集环境状态、设备运行、用户行为等数据、对这些数据进行预处理与特征工程。数据预处理流程主要分为4个部分，具体如图2所示。

上报数据收集表（A表），是收集记录原始的数据。记录空调一次从开机到关机使用过程中的各种数据，规则为1"min采集记录一次或用户调节时即时采集。数据主要包括操作时间、开关机、设置温度、设置模式、室内温度、室外温度等数据。

调控单次录入表（B表），对A表进行数据预处理。将空调一次从开机到关机过程中的全部数据汇总成一条数据。数据主要包括开机时间、开机室温、开机目标温度、使用的稳定温度、设置模式、调节幅度等数据。通过大数据历史行为统计发现，用户的操作行为分布，60%出现在10"min内，80%出现在30"min内。所以区分不同阶段的设置温度、对最终模型具有很大的影响效果。

调控历史数据表（C表），对B表进一步数据处理，提取高级特征。将空调不同模式下的B表数据，各自汇总成一条数据。分为制冷、制热、自动、送风、抽湿等最多5条数据。初始数据主要包括设置模式、开机常处室温、开机偏低室温、开机偏高室温、运行时调高的幅度、运行时调低的幅度等数据。

预测特征表（X表），是对A表和C表的数据汇总，作为最终模型的输入特征参数。每5"min预测一次，记录一次数据。扩展了156到特征参数，面对这些可能存在非线性关系的特征，特别采用了基于决策树的特征工程方法，其核心是评估每个特征的分割纯度，其中一个常用的指标是基尼不纯度（）或信息增益，其中公式如下。

式（1）中，数据有个类别，为第个类别，为第个节点，是第节点上类别的比例。

通过特征重要性，最终选择了19个最重要的特征作为模型的输入，主要包括设置模式、室内温度、室外温度、开机常处室温、开机偏低室温、开机偏高室温、运行时调高的幅度、运行时调低的幅度等。这些特征参数的具体信息可以在表1中进行查看。

2.2"模型构建与预测

基于确定的19个特征，同时考虑计算速率和复杂性，本研究中尝试了GBDT、K近邻（K-Nearest"Neighbor，KNN）等模型，通过准确率、均方根误差（Root"Mean"Squared"Error，RMSE）来对比选择模型效果，并且针对效果最优模型多次进行参数调优，最终选择多元线性回归方法。

在空调自动化控制中，可以通过多元线性回归模型来预测空调系统的温度和风速等参数，并根据预测结果进行控制，从而实现空调系统的自适应调节和优化。具体而言，可以通过样本数据来计算自变量和因变量之间的相关系数，从而得到自变量的系数估计值。然后，可以利用估计值来预测因变量的取值，并根据预测结果进行控制。

以温度为例，为预测用户温度调节范围（16～30"℃，精度为0.5"℃），将用户调节的温度作为模型的预测指标，利用多元线性回归预测用户设定温度。温度回归预测方面，在模型评估上，计算模型预测设定均方差损失（Mean"Square"Error，MSE），其公式如下。

式（2）中，表示训练数据；表示第个训练数据的真实输出；表示模型对的预测值。

并且将模型预测的温度与真实用户设置温度的差值在±0.5"℃以内的记为预测正确，否则记为错误，来评估模型调节的准确性。

另一个风挡控制模型是一个分类模型，将建立的多元线性回归的预测值，映射到10个档位（无极风的1%～100%，步长为10%）。将真实的用户调节风挡作为模型的真实值，计算预测值和真实值之间的准确率。在风速档位分类模型评估方面，采用交叉熵误差（Cross-Entropy"Error，CCE）作为损失函数，用精确率即正例中正确分类的样本与所有被分类为正例的样本之间的比例表示模型准确率。

式（3）中：表示数据样本；表示第个样本的真实标签；表示模型对该样本预测为第个的概率。

通过预测分别得到温度推荐值和风速推荐值。

2.3"基于多重反馈的修正

在用户使用空调的时候，每个用户都会产生个性数据，引入修正的方式，对模型预测结果进行修正微调。通过异常调节反馈、时区季节反馈、用户体征反馈的多重修正，从而提升空调系统的自适应调节和优化。

接下来以温度为例，将用户调节反馈的行为调节修正、时区季节修正、用户温感模型修正加权修正，结合推荐值，从而得出更符合用户需求的最终值。

2.3.1"异常调节反馈

“自学习”模型在机器学习中通常是指能够不断地从新的数据中学习和更新其预测或决策的模型。在用户调节反馈修正的场景下，自学习意味着模型会考虑用户的实时反馈，根据这些反馈不断地调整和优化自己的参数，使预测的结果更加符合用户的实际操作和偏好。

在空调使用过程中，用户的调节温度数据偏少，大量数据为周期性上报的相同设置温度；特别是开启智能控制后的调节更少，而用户调节意味着对推荐温度不舒适。学习过程中因为占比较低，对最终推荐的影响有限，因此通过单独抽选此类数据，结合遗忘曲线，进行修正。具体来说，针对任一个体设备，在距离推荐温度控制5"min内，记录用户异常调节后的温度（短时间内代表不满意），并且根据调节时长所处区间进行归一，每次修正数据具体计算如下。

每次得到修正数据后，选择30个自然日内距离当日最近的10日使用数据。基于指数以往对这10日的数据再次要求加权平均，过去10日权重分别为，计算得到行为调节修正，若历史30个自然日内用户没有使用空调或无5"min内调节数据，则将其修正值置零。

3.3.3"室内外环境突变反馈

异常的天气变化，如极端降温、雾霾等，本身出现概率较低，加上在不同省市地区，不同季节月份直接导致的数据稀释更严重。有效的数据量通常较少，对常规模型的训练及推荐影响极低。无法有效地反馈到构建模型中，但是天气突变等不确定因素[11]，却又对用户的体感影响却非常明显，是无法忽略的一个重要因素。如何解决这个矛盾，平衡数据量的影响是一个要解决的重点问题。

贝叶斯网络是基于贝叶斯定理的一种概率图模型，能够清晰地表示多个随机变量之间的条件依赖关系。通过贝叶斯网络，可以清晰地表达出天气、时区和季节对温度调节综合影响，甚至是室内的温湿度急速变化带来的影响。本研究结合室外天气预报，将全国各地区各季节中，对应的时间/地区里极端天气下的用户调节数据，提炼出来，并采用贝叶斯网络来实现对温度调节与天气变化之间关系的修正。最终通过贝叶斯网络建模时区和季节对温度调节的相关性与概率，并得到室内外环境修正，并将修正值与多元线性回归模型的预测结果进行对比分析。部分贝叶斯网络如图（3）所示。

2.3.2"用户体征变化反馈

参考标准《人工环境舒适性产品"第1部分：房间微气候调节器》（T/CAB"CSISA"0005—2018）中PMVchn适合中国人体质的预计平均热感觉指数的计算公式，结合体验收集的代谢率（M）"、服装热阻（Icl）"、着装表面积比（fcl）、空气温度（ta）、平均辐射温度（tr）、空气流速（var）是将处理后的数据计算出对应的PMV值。将计算得到的PMV值与用户实际体验的冷热感进行比较。如果存在较大偏差，说明当前温度对人体舒适感的判断可能有误，需要进行冷热感温度修正。根据多次测试比较和修正的数据，将采集的数据与特征应用到决策树算法中，得到用户体征变化反馈模型，及用户温感修正。具体如表2所示。

2.3.4"多重修正综合

除了上述的3个主要反馈，还包括其他的次要反馈，如新风对温度的反馈。开启新风后，引入了室内外空气循环对流，制冷制热效果会受到影响，因此随着新风的开启与挡位增大，同时推荐温度需进行相应的修正。

对全部修正值进行加权修正，行为调节修正、室内外环境修正、用户温感修正加权修正各数值各有一个权值W，分别为，范围为[0，1]。权值并非固定不变，而是随着用户使用时间，使用条件的阶段变化，各w值会相应改变。以异常调节反馈为例，初始空调使用时5次以内反馈调节时，；10次以内反馈调节时，。最终，得到模型温度的输出推荐值，具体如下列公式。

在长期大量的学习数据与短期少量的反馈数据之间取得动态平衡。

3"实验与分析

3.1"数据集与评估方法

该推荐方法，主要涉及用户信息和空调使用行为这两类数据。参考《基于行为曲线的用户协同过滤控制推荐》[12]的实验方法。本实验随机抽取2023年的部分用户及其操作行为作为数据集，其中测试集为当前行为盲测数据。即在用户不知情的情况下，选取部分空调即将发生的用户行为进行预测；通过比较当前发生的用户实际操作和模型推荐结果，以评估模型的好坏。另外，为了测试模型在不同场景下的适应性。选择了普通场景和特殊场景（异常降温，灾害天气等）下的效果对比。最终选测试集具体如表3所示。

本研究实时推荐的空调操作包括设置温度、设置风速等。下面以设置温度为例，介绍本研究实验方法，分为个性化推荐和修正反馈。个性化推荐：AI空调在用户使用一段时间之后，应基于家庭组合、环境状态、用户习惯、舒适性、室外气候、室内空气质量等按个性化推荐温度和风感。修正反馈，在一年四季、全天24小时全时过程中，为用户使用过程中提供修正后的推荐值

实验中，对于测试集中的用户及行为，通过推荐的设置温度和用户实际调节的设置温度来计算准确率P，以此评估推荐算法的效果。准确率P计算公式为：

式（6）中：表示算法推荐的设置温度，表示用户实际的设置温度。29表示设置温度取值范围为[16，"30]，以0.5"℃为精度，共29个值。

3.2"结果与分析

在该实验中，对比采用了LBD-WA反馈提升前后（修正前与修正后），并且与邻近算法KNN和基于人类反馈的强化学习RLHF模型对比，并进行了分析。结果显示，在普通场景方面，LBD-WA反馈提升与另外三个模型相当。然而，在特殊场景方面本模型具有显著的优势，这表示本模型在各种时间/地区/用户下的适应性具有较强适应性。表4展示了普通/特殊场景下温度/风等结果对比。

4"结语

本研究创造性地提出了一种基于LBD-WA反馈提升模型，依靠少量反馈数据在预测准确性和多场景适应性方面表现显著。然而本研究模型暂时只适用于有反馈的情况下，属于后置解决方式，具有滞后性。考虑到用户的对功能和体验的要求较高，后续会侧重于研究把数据提前纳入特征训练与学习之中，前置预测修正量，使模型具备了自学习的能力，可以不断的提升预测效果。

参考文献

[1]"孙齐鸣，庄大伟，曹昊敏，等.空调控制参数用户设定偏好的预测方法[J].暖通空调，2023，53（11）：80-86.

[2]"万陶成."室内热环境动态送风模式的个性化推荐方法研究[D].西安：西安建筑科技大学，2021.

[3]"赵泽明."基于数据挖掘技术的智慧人居模式与行为预测研究[D].哈尔滨：哈尔滨工业大学，2020.

[4]"王佳明，杨海滨，赵天怡，等.基于温度多元线性回归模型的空调制冷站在线预测控制方法研究[J].暖通空调，2023，53（2）：140-147.

[5]"钱莹，方秀男.多元线性回归模型及实例应用[J].中国科技信息，"2022（4）：73-74.

[6]"马顺."偏好敏感决策树算法及其在家居环境监控问题中的应用研究[D].桂林：广西师范大学，2016.

[7]"刚文龙，陈希辉，肖紫薇.基于随机森林的空调冷负荷逆向分解方法[J].煤气与热力，2022，42（5）：22-26.

[8]"李武涛."基于贝叶斯网络的办公室内环境品质预测控制优化方法研究[D].西安：西安建筑科技大学，2018.

[9]"刘颖."基于机器学习的个人热舒适建模与控制方法研究[D].南京：南京邮电大学，2022.

[10]"李威."基于人体热感觉穿戴传感的公共建筑空调室温智能调控方法研究[D].大连：大连理工大学，2021.

[11]"张梦芮."基于机器学习的不确定系统模型预测控制参数整定方法研究[D].西安：西安建筑科技大学，2022.

[12]"樊其锋，黑继伟，吕闯，等.基于行为曲线的用户协同过滤控制推荐[J].家电科技，2022（6）：98-102，09.