贝叶斯优化梯度提升树的室内日光照度分布预测.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第9期总第337期收稿日期：2022-10-27；修回日期：2022-11-24基金项目：国家自然科学基金资助项目（62073201）作者简介：冀心成（1998），女，山西原平人，硕士研究生，研究方向：建筑室内光环境建模与优化，E-mail：xincheng_；汪衍凯（1996），男，硕士研究生，研究方向：智能环境与网络化控制，E-mail：；张迎（1997），男，硕士研究生，研究方向：智能环境与网络化控制，E-mail：。文章编号：1006-2475（2023）09-0044-070引言日光是现代建筑的设计中要考虑的重要部分。通过最大限度地利用自然采光，可以显著减少人工照明和能源消耗1。据报道，建筑居住者更喜欢自然光而不是人造光，日光在一定程度上提高了居住者的生产力，并提升室内空间的整体氛围2。与常用的人工照明系统相比，日光在建筑室内空间中具有较强的表现力3。通过使用日光照明和人工照明的集成调光控制，可以大大节省能源，在照明和总能耗方面分别节省约 35%和 13%4-5。当日光不足以达到所需的设计照度时，室内照明水平由人工照明补足。因此，在日光条件下更精确的照明预测对于实现建筑节能至关重要6。生活中的室内照度受气象条件和时间粒度属性等因素的影响较大，室内用户在同一位置的照度往往千差万别，如阴雨天室内照度偏低，预测模型不能准确得到该位置点的实际照度，这就为用户所在位置实现人工补光从而完成正常工作带来了诸多不便。虽然日光预测技术得到了快速发展，但是在实际应用中还是以机理模型7-8和经验模型9的方法进行照度预测，这些方法不能满足实际生活中多时变、多气象、高效率和高精度的要求。因此，对天然采光条件下的室内空间照度分布进行高效预测具有重要意义。贝叶斯优化梯度提升树的室内日光照度分布预测冀心成，汪衍凯，张迎，许彦杰（山东建筑大学信息与电气工程学院，山东 济南 250101）摘要：透过窗户照射进室内的自然光随时间非线性变化，且在空间上的分布呈现不均匀性，导致照度模型预测误差大。在数据量有限的情况下，如何实现自然光下的室内光环境高精度建模是一项巨大的挑战。针对上述问题，提出一种主成分分析与贝叶斯优化梯度提升回归树的室内照度预测算法。该算法首先利用哑变量处理样本数据，通过主成分分析法充分考虑照度数据多特征之间的内在相关性并进行特征重塑；然后利用随机森林确定梯度提升回归树的初始参数，提高其收敛速度和稳定性；最后融合交叉验证和贝叶斯优化算法自适应确定梯度提升回归树的超参数组合，从而进一步提升该模型对室内照度分布的预测性能。实验结果表明，在不同气象、时间条件下，该算法对600个测试样本的照度的R2、MAE和RMSE分别为0.9912、18 lx和40 lx，均优于其他几种算法，且能够显著降低样本偏差值。关键词：日光预测模型；梯度提升回归树；贝叶斯优化中图分类号：TP391文献标志码：ADOI：10.3969/j.issn.1006-2475.2023.09.007Prediction of Bayesian Optimized Gradient Boosting Tree for Interior NaturalIlluminance DistributionJI Xin-cheng，WANG Yan-kai，ZHANG Ying，XU Yan-jie（School of Information and Electrical Engineering，Shandong Jianzhu University，Jinan 250101，China）Abstract：Large prediction errors in lighting models are caused by the nonlinear temporal variation and non-uniform spatial distribution of the natural light that enters the room through the window.In the case of limited data，how to achieve high-precisionmodeling of interior light environment under natural light is a huge challenge.To solve these problems，an interior illuminanceprediction technique using principal component analysis and Bayesian optimized gradient boosting regression tree is proposed.Firstly，the algorithm performs feature reshaping by principal component analysis，fully takes into account the intrinsic correlation between various illuminance data features and preprocesses the sample data using Dummy variable.Then the random forestis used to determine the initial parameters of GBRT to improve its convergence speed and stability.Finally，cross-validation andBayesian optimization algorithm are integrated to determine the hyperparameter combination of GBRT，so as to further improvethe prediction ability of the model for indoor illumination distribution.The experimental results show that under different weatherand time conditions，the R2，MAE and RMSE of 600 test samples with illuminance are 0.9912，18 lx and 40 lx，respectively，which are superior to other algorithms and can significantly reduce sample deviation value.Key words：daylighting prediction model；gradient boosting regression tree（GBRT）；Bayesian optimization；2023年第9期为了解决上述问题，日光预测技术逐渐向机器学习方向靠拢。机器学习技术10利用实测日光数据来学习响应变量和因果变量之间的模式和关系，并且在学习这些模式后，它们可以用于估计或预测未来特定时间或特定条件下的响应变量11。由于其处理复杂非线性问题的能力，已经并将继续受到建筑设计界的广泛认可。该方法可以在不需要原始建筑信息或进行任何计算模拟的情况下实现。Ayoub等人12认为，在现有文献中几乎找不到使用机器学习算法来预测建筑物的照明条件和采光性能的研究。原因是由于该方法相对新颖且应用领域广泛。目前对日光相关研究的机器学习算法当中，较为常用的方法包括神经网络13-14、随机森林15、支持向量机16、长短期记忆模型（LSTM）17、多元线性回归（ML）17和 BP反向传播神经网络18等算法。其中，随机森林表现出了较好的预测性能。然而，在实际应用中发现，上述方法不仅需要大量的训练时间，还有可能出现“过拟合”等问题，不适用于小规模数据，难以实时调整日光预测模型参数，从而导致其难以灵活应对各种室内环境，泛化能力较差。基于上述研究，本文提出一种基于主成分分析（Principal Component Analysis，PCA）和贝叶斯优化梯度提升回归树（Daylight Illumination prediction ofGradient Boosting regression Tree based on Bayesian optimization，DI-BOGBRT）的室内日光环境照度预测方法。该方法共分为2个部分：数据预处理与特征重塑、贝叶斯优化GBRT预测模型。该方法的优点在于：1）由于日光的非线性特性导致模型预测误差大，而GBRT能够处理非线性数据；2）充分考虑多特征之间的内在相关性；3）利用随机森林确定初始参数，提高GBRT的全局收敛与稳定性；4）交叉验证和贝叶斯优化确定 GBRT 的最优超参数，提高预测性能。该方法不仅可以使模型输出数据指导建筑照明的高效调度，还在优化室内工作面照度、提高用户视觉舒适度以及节能减耗等方面，提供一种科学合理的参考意见。1DI-BOGBRT回归预测方法本文提出的 DI-BOGBRT 方法是一种基于多特征的预测方法，用于从样本数据中准确预测室内某位置照度。DI-BOGBRT将建筑内部属性、时间粒度参数、人员位置坐标以及透过窗子的平均照度这4种特征输入到模型进行分析，并通过训练GBRT时4种特征数据相互作用。为了克服数据高维度以及GBRT参数众多、人工调参耗时且存在不确定性等19缺点，本文分别通过哑变量和主成分分析等特征处理手段将用于学习的数据先进行降维处理，然后利用交叉验证和贝叶斯优化梯度提升回归树进行室内照度预测，增强模型的泛化能力20，提高方法的预测性能。1.1算法流程DI-BOGBRT方法工作流程如图1所示。首先输入已测得的4种样本数据，然后对输入数据进行预处理，最后经过4个步骤实现DI的预测：1）对于特征数据当中的非数字特征，利用哑变量处理为数字特征，保证为算法提供更准确的信息；2）利用主成分分析法对4种特征数据进行降维重塑；3）利用随机森林确定初始参数，并构建基于交叉验证和贝叶斯优化的GBRT模型，提高GBRT的全局收敛与稳定性；4）训练GBRT模型，根据训练完成的GBRT模型预测每个室内位置的照度值。图1DI-BOGBRT预测模型的建模流程1.2数据预处理本文样本数据是来自不同气象、时间属性的日光照度分布数据。由于机器学习在建模期间一般使用的都是纯数值型数据，对于表征气象属性的非数字特征，本文采用哑变量来增加输入信息的准确性。哑变量处理可以将非数字特征变量转化为线性不相关的矩阵。然后将新得到的数据样本根据主成分分析（PCA）的降维思想将高维度数据映射到低维度空间。PCA使用方差作为信息量的衡量指标，通过特征值分解来找到降维后的空间V。每个主成分都独立于其他主成分，并且源自重要的模拟参数（即建筑内部属性、时间粒度参数、人员位置坐标以及透过窗子的平均照度）。降维时，对于 d 维空间的 n 个样本Z=z1，z2，zn，通过式（1）产生样本集X0的协方差矩阵：Cov=1n()X-X()X-XT=1ni=1n()xi-1ni=1nzi()xi-1ni=1nziT（1）利用矩阵相关知识求解特征值()1，2，k与特征值分别对应的特征向量()1，2，k。由式（2）计算第p个主成分的累计贡献率p，当p大于某个阈值（本文规定达到80%以上）时，可认为主成分数目为p。p=k=1pkk=1dk（2）结束利用交叉验证和BO对超参数寻优训练集模型评估与照度预测训练GBRT模型并初始化参数输出模型最优的参数组合，生成最佳GBRT模型计算个体适应度值是否满足终止条件否是开始PCA特征重塑输出降维后的特征数据数据集划分特征数据导入验证集特征处理（独热编码）冀心成，等：贝叶斯优化梯度提升树的室内日光照度分布预测45计算机与现代化2023年第9期由此可见，通过主成分分析可以将样本降维，样本从nd维降低至np维，这样就只保留了贡献率较高的部分21。降维完成之后，PCA找到的每个新特征向量就叫做“主成分”，而被丢弃的特征向量被认为信息量很少，这些信息很可能就是噪音。此时，主成分分析得到的新变量可以表示为：T=X0T（3）1.3基于贝叶斯优化的GBRT回归预测模型梯度提升回归树为基于 Boosting迭代思想的集成学习算法，该算法利用原始训练集获取第一棵决策树，此后每一轮迭代中的目标都是拟合上一轮弱学习器的残差。该方法目前已应用于多个研究领域，并取得了较好的预测效果22-23。在GBRT算法模型中，部分超参数需要人为设置，如学习速率（learning_rate）、最 大 迭 代 次 数（n_estimators）、决 策 树 最 大 深 度（max_depth）、子采样比例（subsample）和节点分裂阈值（min_impurity_decrease）等。这些参数直接影响模型的拓扑结构和预测性能，不同的参数组合会使回归预测模型对于同一样本的拟合效果有差异，而人工经验调参需耗费大量时间且存在不确定性24。因此，本文利用贝叶斯优化算法25实现自适应调参，并构建BOGBRT回归预测模型。基于交叉验证和贝叶斯优化GBRT的基本思想是将GBRT与交叉验证、贝叶斯优化算法相结合。利用五折交叉验证划分数据集，以提高模型的泛化能力；当GBRT算法训练模型的收敛速度慢时，将GBRT树的节点分裂阈值和树的深度等参数作为贝叶斯优化算法的输入信息，然后通过贝叶斯优化算法最大化采集函数来选择下一个最有“潜力”的评估点，最后继续使用 GBRT 算法训练模型。构建模型步骤如下：步骤1输入数据集。PCA的结果特征作为GBRT模 型 的 输 入 特 征，记 为T=()x1，y1，()x2，y2，()xN，yN，xi X Rn，yi Y R。人员位置的照度记为输出特征fM（x）。其中，xi为影响人员位置照度的因素，X为输入样本空间；yi为人员位置照度，Y为输出样本空间。步骤2参数初始化。随机森林的预测结果，即模型初始参数H0为：learning_rate、max_depth、n_estimators、min_impurity_decrease、subsample。步骤3根据式（4）产生树的初值。f0(x)=m=arg minci=1NL(yi，c)=0（4）步骤4建立一系列CART回归树，在第m（m=1，2，M）次迭代中，对于每一个样本（xi，yi），规定损失值的负梯度作为残差估计值（见式（5），根据平方损失函数（见式（6）计算每个个体的适应度大小。rmi=-L(yi，f(xi)f(xi)f(x)=fm-1(x)，i=1，2，N（5）L()yi，f()xi=12()yi-f()xi2（6）步骤5根据式（7）分别计算每个叶子节点的最佳拟合值，并更新第n棵树的回归树模型。cmj=arg mincxi RmjL(yi，fm-1(xi)+c)，j=1，2，J（7）fm(x)=fm-1(x)+j=1JcmjI(xi Rmj)（8）步骤6采用高斯过程作为代理模型，基于提升策略的PI函数（见式（9）作为采集函数，然后利用后验分布模型估计值大于当前实际观测值的概率来寻找下一个个体。fPI()x=p()f()x f()x+-=()f()x+-()x()xx X（9）其中，f（x）和f（x+）分别为高斯过程所得目标值和当下最佳目标值；为平衡全局与局部搜索关系的参数；（x）和（x）分别为目标函数的均值和方差；（x）为高斯分布累计密度函数。步骤7比较当前个体最优适应度值，并更新最优个体信息。步骤8根据损失是否连续100次没有下降来判断算法是否满足终止条件。若连续100次没有下降就设置算法提前停止。若不满足，则返回步骤4进行下一次迭代，通过多次迭代以减小训练残差，最后将所有训练好的回归树的结果求和；否则，输出模型的最优解。步骤9将得到的最优参数组合赋值给GBRT模型形成强学习器，利用训练样本数据构建BOGBRT回归预测模型（见式（10），并利用测试样本数据验证模型的精确性。fM(x)=m=1Mj=1JcmjI(xi Rmj)（10）2仿真实验分析为防止日光等不确定性外部因素造成的误差，本文对样本数据引入高斯白噪声，并在不同气象和时间条件的样本数据中选择训练样本。利用经过上述步骤训练完成的GBRT模型，对测试数据集进行预测。根据国家标准 建筑照明设计标准 GB500342013，用户位置处的照度值在300 lx500 lx之间满足实际用户需求，优先计算日光照度值，辅助人工照明，实现用户位置的照度实时预测。本文采用梯度提升回归树算法对室内空间照度分布进行处理时，重点包括2个方面的工作，一方面是数据预处理提取特征，另一方面是利用特征数据预测照度。本文相关工作是在AMD Ryzen 5 4500U的配置上使用Python 3.8和DIALux Evo照明设计软件实现的。2.1系统构建本文模型的训练和验证使用的数据是通过日光模拟计算工具DIALux evo26-27获得的。本文在山东师范大学文宗楼1-508实验室的基础上设计一个高度为3 m的12 m7.2 m通用模型（见图2）。该房间窗户的尺寸为1.4 m8 m，窗户的下边缘距水平地面0.7 m，窗户的左边缘距垂直墙壁为2 m。该模型以462023年第9期房间内有门的垂直墙壁和其相邻的垂直墙壁与水平地面的交点作为坐标原点，并沿着水平地面和垂直墙壁建立XYZ坐标系。以平行于水平地面0.75 m高度时的平面为照度计算工作面，距离照度计算工作面2.8 m处为灯具安装平面。房间的反射系数为天花板（灯具安装平面）70%，墙壁50%，地面20%。维护系数为0.8。图2设计空间的三维尺寸图本文采取对称配置灯具的方式在天花板上安装了24盏24 W的LED灯具（灯具的参数设定：光通量为 2462 lm，色温为 4000 K，维护系数设定为 0.8）。本文所用照明设备以64模式布局，安装高度设置为距地面2.8 m，均采用使照度较为均匀的直接照明的方式，并且具有朗伯斯辐射。2.2实验数据集2.2.1实验数据采集根据李光皓等人18总结的近年来研究人员选取机器学习算法实现建筑采光的输入参数、输出参数、建筑类型以及数据来源的统计表显示：超过半数研究将照度值作为机器学习的预测目标，室内工作面照度分布的预测需要保证在时间序列上的数据获取，且要保证一定的泛化能力，因此输入特征也应具备一定的实时性与灵活性。此外，由于在天然采光条件下，窗户代表了允许建筑物内部自然光的最基本资源。基于上述研究，本文采集的数据主要包括建筑内部属性、时间粒度参数、人员位置坐标以及透过窗子的工作点照度，将它们作为预测模型的输入特征，旨在面对建筑的多样性也能保证良好的泛化能力，合理预测室内工作面照度分布情况。建筑内部属性考察了窗户左下角的位置坐标（2 m，0.7 m）、窗墙比（WWR=0.311）等易测量参数。时间粒度参数考虑了4个典型日期不同气象条件下当前天的小时数。为了验证DI-BOGBRT算法的合理性和可靠性，本文首先使用模拟数据进行实验。本文开发了几个通用模型来匹配所有的预期场景。例如，在晴天（sunny）和阴天（cloudy）的 2种天气状况下模拟了春分（The spring equinox，se）、夏至（The summer solstice，ss）、秋分（The autumnal equinox，ae）和冬至日（The winter solstice，ws）的模型。在照度计算工作面上，数据采集时间从7:0018:00每整小时数对室内照度进行模拟，不同气象条件下采用不同的计算网格，共计3060组数据样本，这些数据的特征如表1所示。技术路线如图3所示。表1模型开发的输入参数序号1234567输入参数气象条件(晴、阴)日期（春分、夏至、秋分、冬至）窗户左下角的位置坐标窗墙比当前天的小时数人员位置坐标透过窗子的工作点照度符号(单位)Weather()As，AcDate()se，ss，ae，ws()yw，zw()m，mWWRTnow()hour()xp，yp()m，mEew()lx图3技术路线图2.2.2数据特征处理由于真实情况中的数据受环境影响，故本文在数据预处理时加入了高斯白噪声，然后利用哑变量处理已收集的气象数据，一定程度上保证了向算法传达最准确的信息。数据处理描述如下：人员位置处的照度数据引入了高斯白噪声,引入前的照度数据为 172lx、引入后的照度数据为171.91 lx等。其中，所有非数值信息均需由独热编码处理将字母转化为数值形式，便于算法识别计算。本文采集到的非数值信息主要包括气象条件和日期。在编码过程中气象条件和日期等6个特征形成一个66的矩阵，其每行元素自左向右依次为晴（As）、阴（Ac）、春分（se）、夏至（ss）、秋分（ae）和冬至（ws），对应特征变量元素记为1，其余特征元素记为0，如春分表示为 0 0 1 0 0 016，经由上述操作处理后的数据送入PCA中输出最终的特征数据。在本文案例中，对于所开发的模型，输入数据集按照5折交叉验证随机划分训练集和验证集，从而降低过拟合的可能性。2.3BOGBRT模型预测结果分析2.3.1GBRT模型优化前后预测结果对比分析本文利用训练集对 GBRT和 BOGBRT模型分别进行训练，然后选用测试集数据评估优化过程中各种参数组合下的BOGBRT模型预测精度。针对上述模型的参数特性，本文以室内预测照度为目标变量，模型待优化超参数的寻优区间为：最大迭代次数 40，100、学习率 0.1，1、子采样比例 0.6，0.9、决策树最大深度 2，10 和节点分裂阈值 0，5。为提高模型xyz12 m7.2 m3 m窗户8 m1.4 m0.75 m建筑内部属性参考文献机器学习输入特征统计分析时间粒度参数人员位置参数透过窗子的工作点照度选择输入特征室内工作面天然采光照度分布数据梯度提升决策树（GBRT）模型训练输出预测值评价指标：独热编码2、RRMSE、MAE冀心成，等：贝叶斯优化梯度提升树的室内日光照度分布预测47计算机与现代化2023年第9期的泛化能力，本文使用5折交叉验证对BOGBRT模型进行训练。对于目标变量室内照度预测，最优最大迭代次数为82，学习率为0.19，子采样比例为0.69，决策树最大深度为 6。图 4 和图 5 为贝叶斯优化前后的GBRT模型预测结果。（a）预测结果图（b）预测残差图图4贝叶斯优化的GBRT预测结果（a）预测结果图（b）预测残差图图5未优化的GBRT预测结果由图4和图5可以看出，相比于GBRT模型的预测结果，贝叶斯优化后的 GBRT 模型预测值与实际测量值吻合度更高。此外，超参数在最优组合下经过 5 折交叉验证，BOGBRT 模型的预测偏差稳定在70 lx。而优化前的 GBRT 模型预测误差已经高于150 lx，表明引入交叉验证和贝叶斯优化算法优化GBRT 模型的超参数有利于显著提高 GBRT 模型的预测精度。2.3.2DI-BOGBRT与其他模型对比结果分析本文采用均方根误差 RMSE、平均绝对误差MAE、拟合优度R2作为性能验证指标，统计评价指标反映日光条件下的室内照度预测值与实际值的吻合程度。性能指标RMSE、MAE与R2的计算公式分别为：RMSE=1mj=1m()Ej()-Ejactual2（11）MAE=1mj=1m|Ejactual-Ej()（12）R2=1-SSESST=1-()Ej()-Ejactual2()Ejactual-Ejactual2（13）其中，m是数据样本数量；Ejactual是第j个人所在位置的测量照度数据；Ej（）是在j（j=1，2，m）处的预测值，SSE为差平方和，SST为总高差平方和。为检验模型的预测性能，本文采用目前使用率较高的随机森林15（RF）和人工神经网络14（ANN）等经典的黑箱预测模型作为对比模型，并分别计算不同算法在测试集的预测误差，如表2所示。预测曲线见图6。表2测试样本集预测结果对比对比模型RFDI-BOGBRTANN测试集RMSE/lx200.223340.108644.9924MAE/lx35.431318.893422.5580R20.78100.99120.9889图6DI-BOGBRT模型和其他模型的局部测试结果对比从表2中可以看出，GBRT模型相比RF模型具有较好地预测性能；与RF和ANN这2种预测模型相比，DI-BOGBRT模型的拟合精度最高，其拟合优度R2达到了0.9912。就MAE和RMSE而言，在4个季节的样本中DI-BOGBRT模型均获得最低值。此外，图6显示的3种方法中，DI-BOGBRT模型在预测天然采光下的室内照度与实际照度仍最为接近。DI-BOGBRT的性能优势主要由3个方面导致：一是DI-BOGBRT在不同条件的样本中选择大量训练数据进行训练，提高了容错率；二是其他方法最多考虑到利用PCA降维加快算法的收敛速度，而DI-BOGBRT通过哑变量处理和PCA进行数据预处理，并利用随机森林的训练结果作为GBRT的初值大大加快了模型的收敛速度，巧妙地利用GBRT解决多特征之间的关联性；三REAL VALUERFANNDI-BOGBRT050100150200样本点预测照度/lx2500200015001000500024262820000100200300400500600样本点0-200-400预测残差/lx0100200300400500600样本点200010000室内人员位置照度/lx0100200300400500600样本点5000-500预测残差/lx0100200300400500600样本点200010000室内人员位置照度/lx482023年第9期是DI-BOGBRT使用交叉验证和贝叶斯优化GBRT模型，增强了模型的鲁棒性。综上所述，本文所建立的DI-BOGBRT模型能更好地描述自变量和因变量的非线性关系。采用贝叶斯优化算法可以快速实现GBRT模型的自适应调参，结合交叉验证的方法还能有效提高模型的泛化能力，使得模型具备一定的环境适用性。因此，本文所开发模型 DI-BOGBRT 能够准确预测室内人员位置照度信息，为后续反馈给人工照明系统实现精准补光做好基础。2.4室内人员位置照度预测结果分析本文展示了2022年09月23日在9：00 a.m.、13：00 p.m.、17：00 p.m.的数据特征，如图7所示。此时，6 位用户的位置坐标分别为（1，5.04），（3，1.8），（5，3.6），（7，0.72），（9，5.04），（11，2.16），从图 7 可以看出。3个时间粒度属性下不同位置的照度误差棒长短较为均匀，即模型预测值与真实值的误差较小，实验数据的可信度较高。（a）9：00 a.m.（b）13：00 p.m.（c）17：00 p.m.图72022年09月23日在9：00 a.m.、13：00 p.m.，、17：00 p.m.这3个时间间隔内不同人员位置的数据特征此外，上述3个不同时间的各位用户所处位置的相对误差如表3所示。当用户在靠近墙边时，预测照度的误差较大，当用户在空旷位置时，误差较小。17：00 p.m.的天空亮度渐暗，预测误差要明显高于另外2个时间的误差。表3室内人员位置照度预测结果分析位置坐标（1，5.04）（3，1.80）（5，3.60）（7，0.72）（9，5.04）（11，2.16）相对误差/%9:005337113113:0053414017:00668644831平均相对误差/%255442121去除边缘值后的平均相对误差/%554480实验结果表明，用户位置点的照度不仅与到窗户的距离远近有关，时间粒度属性也会造成照度预测不准确的问题。此外，本文为增强仿真数据的可信度时还引入了高斯白噪声，这些因素均导致了边缘位置照度预测误差较大。而在实际生活中，室内人员极少分布在房间的边缘位置处办公，故本文在剔除边缘位置的照度数据后，计算得到的各位置点照度的平均相对误差均低于8%，房间非边缘位置的平均相对误差更是低至 5%以内。因此，本文提出的 DI-BOGBRT 算法可以精准实现一年四季里不同气象条件、不同时间属性的室内人员位置点照度的预测，为后续实现人工补光打下基础。2.5本文开发模型的适用性分析判断现有模型的预测精度能否指导照明系统的调光决策往往由国家相关照明设计标准GB500342013 确定。同时在 CIE 标准 CIES008/E2001 的修订说明中规定，人眼能够明显感知到照度变化的照度级差近似1.5倍28，以普通办公室工作面标准照度值300 lx 为参考，其临近照度值级别分别为 200 lx 和照度/lx照度/lx照度/lx冀心成，等：贝叶斯优化梯度提升树的室内日光照度分布预测49计算机与现代化2023年第9期500 lx，最小照度差值为100 lx。以本文开发的BO-GBRT模型为例，室内各位置点照度实测值与预测值的残差基本稳定在70 lx，结果表明，该方法具备一定的适用性，并可有效指导照明系统进行合理的调光决策，从而实现人工补光。3结束语办公室内人员所在位置对室内光环境有重要影响，尤其是对于自然光照射的建筑。本文开发了一种DI-BOGBRT算法来预测室内日光照度的分布并进行性能评估。研究结论如下：1）本文首先利用哑变量处理气象特征，保证为算法提供更为准确的信息；使用PCA方法对特征变量进行降维和特征重塑，为GBRT模型预测室内照度提供更有效的输入变量，有效提高了预测模型的运行效率。2）本文基于加入高斯白噪声的3060组仿真数据探索了梯度提升回归树算法在室内工作面照度预测方面的应用，采用交叉验证和贝叶斯优化算法来提高基于GBRT的日光模型的准确性和泛化性能。相比于传统的 RF、GBRT 和 ANN 模型，本文提出的 DI-BOGBRT模型在自适应调参、高精度预测和易于应用等方面为建筑师在建筑设计早期估计日光性能的过程中提供了较大的便利。本文阐述的自然光照度分布预测方法可以同时预测多处人员位置点照度，不仅可以为室内用户带来便利，还对未来建筑的照明智慧化调光及间接节能方面具有正向促进作用。3）本文分析了室内照度真实值与预测值之间的预测残差，以普通办公室工作面标准照度值300 lx为参考，各人员位置点的预测残差均稳定在70 lx，在一定程度上满足用户的需求照度。此外，预测数据可反馈于照明系统的调光决策，以便更精准地实现人工补光。参考文献：1 ALHAGLA K，MANSOUR A，ELBASSUONI R.Optimizing windows for enhancing daylighting performance and energy saving J.Alexandria Engineering Journal，2019，58（1）：283-290.2 AL HORR Y，ARIF M，KAUSHIK A，et al.Occupant productivity and office indoor environment quality：A reviewof the literature J.Building and Environment，2016，105（2）：369-389.3 李婧豪，卢玫珺.天然采光模型对建筑室内光环境及能耗的影响研究 J.建筑节能（中英文），2022，50（4）：28-33.4 AHMAD R M，REFFAT R M.A comparative study of various daylighting systems in office buildings for improving energy efficiency in egypt J.Journal of Building Engineering，2018，18：360-376.5 马秀峰，王立雄.基于DIALux Evo软件的某办公楼照明的优化设计 J.照明工程学报，2018，29（3）：37-41.6 AMASYALI K，EL-GOHARY N M.A review of data-drivenbuilding energy consumption prediction studies J .RenewableandSustainableEnergyReviews，2018，81：1192-1205.7KOOMEY J，BERARD S，SANCHEZ M，et al.Implications of historical trends in the electrical efficiency of computingJ.IEEE Annals of the History of Computing，2011，33（3）：46-54.8 储海龙，张宇宁，王坚.基于CIE天空模型的室内自然光照度计算模型 J.光电子技术，2018，38（3）：167-171.9 ZOMORODIAN Z S，TAHSILDOOST M.Assessing the effectiveness of dynamic metrics in predicting daylight availability and visual comfort in classrooms J.Renewable Energy，2019，134：669-680.10 HEQS，LIZW，GAOW，etal.Predictivemodelsfordaylightperformance of general floorplans based on CNN and GAN：A proof-of-concept study J.Building and Environment，2021，206（6918）.DOI：10.1016/j.buildenv.2021.108346.11 JORDAN M I，MITCHELL T M.Machine learning：Trends，perspectives，and prospectsJ.Science，2015，349（6245）：255-60.12AYOUB M.A review on machine learning algorithms to predict daylighting inside buildings J.Solar Energy，2020，202：249-275.13 ZHOU S L.Prediction of daylighting and energy performance using artificial neural network and support vectormachine J.American Journal of Civil Engineering and Architecture，2015，3：1-8.14 王崇，李雯雯，张露，等.基于人工神经网络的室内自然光照度预测 J.物联网技术，2020，10（9）：52-53.15 AHMAD M，HIPPOLYTE J L，MOURSHED M，et al.Random forests and artificial neural network for predictingdaylight illuminance and energy consumptionC/Proceedings of the 15th IBPSA Conference.2017：7-9.16 刘聪，高颖.基于支持向量机的室内照度预测仿真 J.河南科技，2019（2）：114-116.17 NGARAMBE J，IRAKOZE A，YUN G Y，et al.Comparative performance of machine learning algorithms in the prediction of indoor daylight illuminancesJ.Sustainability，2020，12（11）.DOI：10.33