建筑室內人員開窗行為的驅動因素及模型算法綜述

李 斐 鄭恒杰 周 斌 劉曉冉 張 愷 陳 晨

建筑室內人員開窗行為的驅動因素及模型算法綜述

李 斐1鄭恒杰1周 斌1劉曉冉1張 愷1陳 晨2

（1.南京工業大學 南京 210009；2.南京師范大學 南京 210097）

建筑室內人員的開窗行為不僅會對室內空氣品質產生影響，還會在一定程度上影響建筑能源消耗，因此人員開窗行為的測量及建模具有一定的意義。對人員開窗行為的研究進行了綜述，對開窗行為目前的測量及建模方法進行了總結分析，并提出了改進建議。將綜述研究分為四個部分，包括數據采樣方法、開窗行為驅動因素的篩選、模型建立及其檢驗，對每一部分常用的方法優缺點進行了對比分析。同時，針對現有研究中存在的問題，如數據采集范圍和采集量較小、沒有充分考慮人員隨機行為對窗口開度大小變化的影響等問題提出了一些新的解決思路，比如在數據采集中結合圖像智能識別及熱成像技術來增大樣本采集量和采集速度，建立表征窗口開度變化的偏態模型，并結合蒙特卡洛模擬和質平衡方程來分析室內外環境的演化關系等。

數據采集；統計建模；顯著性分析；假設檢驗

0 引言

近年來環境污染日趨嚴重。據統計，我國每年由室內空氣污染引起的死亡人數可達11.1萬人，門診數22萬人次，急診數430萬人次[1]。研究發現，兒童呼吸系統疾?。ǜ忻皶r咳嗽、氣喘和哮喘等）的患病率與空氣污染呈顯著正相關，已產生高度有害的影響[2]。室內環境污染對人體健康的影響已經成為人們越來越關注的問題，醫學研究表明環境污染已經成為誘發白血病的主要原因，世界銀行已把室內環境污染列為全球四個最關鍵的環境問題之一[3]?？傊?，室內環境污染物種類多、濃度低、作用時間長，對人體健康的影響是累積式的，容易造成極大危害[1]。自然通風作為最普遍的受開窗行為不確定性所影響的通風方式，能對室內環境產生極大影響。通過合理開啟門窗及調節窗的開度[4]控制室內空氣流動，來改善室內溫濕度及建筑內部熱環境，這樣不僅可以引入室外新鮮空氣，還可及時地將污染物排出[5]。一些住宅通風設計中也提倡以自然通風為主，力求能最大限度發揮自然通風的效能，減少空調設備的使用[6]。謝子令等人[7]的研究表明自然通風可使得空調能耗至少減少30%。由此可見，人員開窗行為對室內環境、能源節約以及室內人員的生活是極其重要的。

本文對以往學者的研究方法進行了總結，對目前存在的一些問題做了簡要分析并提出了建議。文章的綜述分為四部分：第一部分是介紹建筑物及建筑內部環境、居住人員及周圍環境參數的采集方法，第二部分是闡述對人員開窗行為產生影響的影響因子分析方法，第三部分是針對影響因子建立模型并驗證的方法，第四部分是對目前人員開窗行為研究的結論總結以及提出存在的問題。

1 數據采集方法

對于開窗行為影響因素的分析，首先需要對研究對象的周圍環境以及建筑室內情況進行了解，對可能產生影響的因素進行數據采集。本文將數據采集分為室內人員活動狀態、窗口狀態、室內環境參數以及室外環境參數四個部分。調查問卷是數據采集方法中最原始的方法，通過問卷既可以了解建筑周圍基本概況，又能得到室內人員基本活動狀態。Yao等人[8]將居住者的生活狀況分為工作日和周末兩類進行問卷調查，而周浩等人[9]為室內人員準備紙質問卷，讓人員每日記錄自己的行為，主要集中在門窗開關控制的頻率、門窗開關動作發生的時間及原因等問題上，在此基礎上，Belafi等人[10]在學校教室的窗口調查研究中，分別對學生和教師采取調查訪問的形式，使調查更具有科學性。通過調查問卷可以了解建筑物大致情況、室內居住人員的生活習性等。表1為室內人員生活習性調查樣表。除調查問卷外，對室內人員活動狀態的判定還可通過監測室內二氧化碳濃度變化來判斷室內是否有人[11]，或者直接采用人員傳感器進行監測以及采用紅外熱像儀通過監測室內熱點變化來判斷人員在室情況。對于某些人員活動較規律的建筑，例如辦公室，每天都會有固定的人員在室內工作，可根據人員上下班簽到表來判斷人員在室情況。

表1 室內人員生活習性調查樣表[9]

由于人員在室情況對開窗行為具有很大影響，因此對門窗開啟狀態的監測也是必不可少的。門窗開啟狀態檢測儀一般分為兩種類型，一種是對窗口開啟或關閉狀態的判斷[8,12]，另一種則可以對窗口的開度情況進行監測[11]，通過對窗口狀態的監測來獲取人員在室時對窗口的操作狀態及窗口狀態持續實間。圖1為窗口狀態位移記錄裝置，圖2為HoboU9監測儀監測窗口開窗角度。

圖1 窗口狀態位移記錄裝置

圖2 Hobo U9 監測儀

對室內環境的數據則通常用專門的室內檢測儀器獲取。周浩等人[9]研發了一整套無線傳感環境檢測系統，采用無線傳感器對室內外環境數據及人員行為動作的信息進行采集；Lai等人[13]綜合采用二氧化碳、門窗開啟狀態及壓差監測儀，并將數據通過網絡進行傳輸，采集了全國5個不同氣候區內46間公寓的自然及機械通風的使用情況進行數據分析；Calì等人[14]使用Sense Air CO Engine TM(K30)傳感器監測二氧化碳、Sensirion SHT75傳感器測室內溫度和相對濕度。室外環境參數一般是從當地氣象局獲取實時數據，包括二氧化碳濃度、相對濕度、室外溫度以及PM2.5濃度等，也可在建筑周圍放置探測儀器來獲取周圍環境數據。邱少輝等人[15]對所在建筑物1240個窗戶進行為期30天的實時調查，其數據均從天氣預報實時獲得，再進行抽查校核，以及在室外放置便攜式氣象站來測量室外溫度和室外風速，用DT-8852噪聲計監測室外噪聲等[16]。

此外，在采集數據時需要根據建筑物特點對建筑物進行分區域檢測。例如對建筑物的高度分析時將建筑物分為高、中、低三個區域進行數據采集[17]，這樣采集的數據較為準確；或者將目標建筑視為一個整體，根據窗口位置將房間劃分為四種類型，并考慮各房間類型之間的影響，對每個房間進行標號[18]。在進行數據采集期間，可能會出現數據缺失、采集不完全或者出現數據異常的情況。為保證數據可靠性，需要利用統計方法對異常值進行分析，以及對缺失數據進行修補。另外，對于開窗狀態的監測目前常用的門窗狀態監測儀采集效率比較低，無法實現大范圍的監測。

2 影響因素的初步篩選與分析

影響人員開窗行為的因素有很多，不同條件下人員開窗行為的影響因素不同，并且每個變量對開窗行為的影響顯著性也不同。Haldi等人[19]詳細分析了室內溫度和室外氣候參數（溫度、風速和風向、相對濕度和降雨量）對人員開閉窗戶的影響；潘嵩等人[20]就當地建筑對室內外溫度、室外PM2.5濃度、先前的窗戶狀態、不同時間段、人員在室情況和個人習慣（抽煙、做飯、洗澡等）分析對窗口狀態的影響；Schweiker等人[21]則分析了室內外溫度、室內外相對濕度、太陽輻射及風速等因素的影響；一些研究人員還將影響居民開窗行為的因素分成主觀和客觀兩方面，主觀因素包括人的生理、心理和習慣等因素，客觀因素包括溫度、濕度、風度、噪聲等因素[22]。此外，建筑物類型[15]、空氣品質[23]通風形式（自然通風、機械通風），供暖系統（集中供暖、不供暖）[24]等也會對開窗行為產生影響。圖3展示了影響人員開窗行為的一些影響因素，可以看出每個人研究的影響因素各不相同，但總體可分為四大類：室內環境因素（室內溫度、相對濕度、CO2濃度、顆粒物濃度、室內空氣品質等）、室外環境因素（室外溫度、風速、噪聲、高度、窗口朝向、降雨量、季節性變化、PM2.5等）、室內人員狀態（在室情況、抽煙、做飯、洗澡開窗習慣、對空氣的敏感度、心理因素等）以及建筑狀況（建筑類型、通風形式、采暖設備、房間功能、窗口類型[25]等）。

圖3 影響因素總結[26]

然而在實際研究過程中，無法將所有的影響因素都進行分析，而且對于目標建筑物，有些影響因素可能對開窗行為影響不明顯或無相關性。例如，在某些高層建筑，風向和建筑高度則可能對人員開窗產生較大影響，在一些要求較高的室內環境中則必須考慮人員抽煙、做飯等情況。在冬季和夏季，室內采暖設施和空調的使用情況應著重考慮，而對于人的心理狀態則是一個不確定影響因素，很多人會因為更高要求的舒適度的心理作用而產生開關窗的行為。在王闖博士對人行為模擬的研究中[27]，認為人動作發生的概率與感覺大小呈正相關，而感覺大小與刺激強度的關系，可用心理物理函數進行定量描述，這種方法可對人的心理影響進行定量分析。表2對四個部分的影響因素對開窗行為的影響進行了概括分析。

表2 開窗行為影響因素的概括分析

從表中可以看出，研究者對室內外溫度及相對濕度、室內CO2濃度、季節及每天不同時間段研究較多。影響因素的篩選通過問卷調查的形式了解目標窗口及建筑物狀況后，一方面可根據問卷的結果進行數學統計大概得知哪些影響因素對開窗行為具有較大影響；另一方面，可使用檢驗、統計、ANOVA（Analysis of Variance）方差分析等方法檢驗采集的數據是否符合實際，以保證數據的可靠性。

檢驗是用分布理論來推論差異發生的概率，從而比較兩組平均數的差異是否顯著。統計可以檢驗開窗概率與所研究的解釋變量的相關性，統計一般用于大樣本（即樣本容量大于30）平均值差異性檢驗。它是用標準正態分布的理論來推斷差異發生的概率，從而比較兩組平均數的差異是否顯著，在國內也被稱作檢驗。這兩種檢驗主要是對兩組數據間是否存在顯著差異而進行分析比較。在進行建模之前，如果是由于時間和環境受限導致所采集的數據并不是很充分，可以采用檢驗將實驗數據與該地區另一時期的實驗數據進行比較，檢驗兩者是否存在顯著差異，這樣做是為了使實驗結果更具有說服力和代表性[16]。

方差分析則是將測量數據的總變異按照變異原因的不同分解為因素效應和試驗誤差，對其作出數量分析，比較各種因素在總變異中的重要程度。當對開窗行為存在多個可能因素的時候，可以利用方差分析來分析具體哪些因素對開窗行為有顯著影響，影響程度有多大，各因素之間有沒有交互影響等[22]。

需要考慮的另外一個問題就是影響因素間的多重共線性問題。多重共線性的典型表現是線性回歸模型中的解釋變量之間由于存在相關關系而使模型估計失真或估計不準確。當自變量間存在多重共線性時，會導致擬合的回歸模型系數不穩定從而導致偏差，結論難以解釋，因此必須充分考慮回歸模型中的多重共線性問題。針對這個問題，也有不同的處理方法，比如可以采用Pearson相關性分析來檢驗兩變量之間的相關性，再用容許值（TOL）和方差膨脹因子（VIF）指標對多個變量之間的多重共線性進行檢驗[16]；也可以用廣義方差膨脹因子（GVIF）分析解釋變量之間的相關性在多元線性Logistic回歸模型中的影響[32]；Jones等人[31]針對由于多重共線性導致窗口打開和關閉模型系數不穩定的情況也使用廣義方差膨脹因子（GVIF）來校正。上述中提到的方差分析方法也可用來解決多重共線性問題。

方差膨脹因子（VIF）是指變量之間存在多重共線性時的方差與不存在多重共線性時的方差之比。其計算式為：

VIF=1/（1－2） （1）

式中，2是以x為因變量時對其他自變量回歸的復測定系數。VIF越大，表明多重共線性越嚴重。經驗判斷方法表明：當0＜VIF＜10，不存在多重共線性；當10≤VIF＜100，存在較強的多重共線性；當VIF≥100，存在嚴重的多重共線性。

總之，對影響因素的分析要與研究目標建筑物相結合，根據研究目地和當地環境進行分析，然后采用調查問卷、檢驗、統計或方差分析等統計方法對影響因素進行篩選，確認出對人員開窗行為有顯著性的影響因素，這些主要為開窗行為的模型建立提供依據及良好的數據保證。

3 開窗行為模型的建模及檢驗

3.1 模型建立

開窗行為目前一般用二分類問題（1代表開，0代表關）來處理，故Logistic模型應用最為廣泛。Logistic模型是一種廣義的線性回歸分析模型，常用于數據挖掘、疾病自動診斷和經濟預測等領域。它也經常應用于因變量為二分類的分類變量或某事件的發生率問題。在以往大多數開窗問題的研究中均采用Logistic回歸模型來建立開窗概率模型和影響因素之間的關系。其模型的依據是應變量作為一個二值變量，其取值分為1（發生）或0（未發生），而1，2…X作為自變量，表示在個自變量作用下事件發生的概率，可表示為：

事件發生概率與自變量1，2……X之間的Logistic回歸模型為：

這個函數就稱為Logistic函數，令=0+11+…+βX，若將在負無窮至正無窮變化時的函數畫出來，其結果具有S型分布。

圖4 Logistic函數曲線示意圖[16]

Logistic回歸模型在開窗行為的研究上已有非常廣泛的應用，許多學者在研究中經常采用此方法建立模型，并在不同方向上對此模型進行演化。除Logistic模型，還有一些其他模型，例如Probit分析、貝葉斯分類、馬爾可夫鏈、生存分析、數據深度挖掘、聚類算法以及深度學習方法等都在開窗行為的研究中得到應用。表3為不同回歸模型的相關總結。

表3 不同回歸模型的應用及分析

續表3 不同回歸模型的應用及分析

Logistic回歸模型盡管能夠得出影響開窗概率顯著的影響因素，但對于窗口狀態的變化、窗口打開和關閉的概率轉換無法有效分析，常用于二分類問題中。而Probit模型和Logistic回歸相比，則是專門用于研究只有兩個結果的二項響應變量，但沒有Logistic回歸模型簡潔、靈活，二者具有相互轉化關系。樸素貝葉斯分類器（NBC）模型與Logistics回歸相比，能夠在不同變量組合上構建聯合概率分布，對于多個解釋變量與開窗行為的復雜關系也能夠進行建模。即使使用小數據集，貝葉斯分類模型也被證明具有良好的預測能力。此外，采用Logistic回歸和馬爾可夫過程以及連續時間隨機過程相結合的模型相較于上面幾個模型能夠提供高準確度的預測，產生窗口狀態間的最佳區分，而馬爾科夫模型和生存分析相結合的方法能夠對窗口狀態轉換進行更深入的分析，尤其是針對室內人員及窗口的動態變化過程，馬爾科夫過程具有更好的預測能力。深度學習、神經網絡等模型，雖然準確率有一定的提高但需要大量的樣本訓練，其在位置場景下的預測效果也有待驗證。

除此之外，還有一些更為獨特的方法，比如Rijal等人[47]提出了一個基于適應性舒適理論的更全面的模型，他們開發了“Humphreys自適應算法”來預測窗戶的狀態，將室內溫度與舒適度（取決于外部溫度）進行比較，并將其嵌入到ESP-r中；王闖等人[27]建立了人員移動模型和人員動作模型來分析室內人員的行為現象，提出了基于馬爾可夫鏈和人員移動隨機模型相結合的方法分析室內人員的動態隨機變化，這種模型能夠準確反映出不同類型的人員在建筑中的行為差異。這些模型的提出對開窗行為的研究過程提供了很好的思路及方向。

基于數據挖掘技術和聚類算法相較于Logistic回歸，屬于算法學習中的非監督式學習算法，頻繁模式挖掘算法最早被用于購物籃分析——通過提取顧客購物籃里的物品的關聯性來分析顧客的購物習慣。頻繁模式是指某項參數在數據中頻繁發生的模式（一系列的樣本點、子序列或子結構等）。假定={1，2，…，i}是項的集合，而某項集則由中的個項組成，項集則由中個項組成。如果項組合滿足如下關聯規則，則該組合可被認為是頻繁的：

?[minsupmincon] （4）

其中，為用戶自定義的最小支持度閾值（min_sup），則是用戶定義的最小置信度閾值（min_con）。模式的支持度和置信度可用以下式子計算：

support(?)=(∪) （5）

confidence(?)=(|) （6）

其中，(∪)是一次“購物事件”數據集D中項集和同時發生的時間數所占的百分比；(|)則是在項集發生的條件下發生的概率。對于一個頻繁模式，要求(∪)和(|)值必須相應地不低于和。一旦得到，和支持度及可信度，則可導出對應的關聯規則，并根據最小支持度和置信度閾值檢查該規則是否是強規則。這種頻繁模式挖掘算法，能夠有效分析室內環境因素與人員在室內行為動作之間的相關性。然而，由于實際場景的復雜性，這種算法對數據的挖掘以及信息提取的準確性仍然需要進一步提高。

3.2 模型檢驗

模型建立以后，需要對模型建立的回歸方程進行檢驗并最終得出開窗行為的概率模型。模型檢驗常用的方法包括：似然比檢驗[28,32]、Cox & Snell R2[22]、Nagelkerke R2[28,32]、ROC曲線[16,28,32,44]以及Akaike信息準則[11,14,31,40]等方法。采用似然比檢驗可以對單變量和多變量模型進行整體評估，似然比檢驗（likelihood ratio, LR）和一般的假設檢驗（或稱顯著性檢驗）含義一樣，用于比較兩個模型（一個是所有參數都是自由參數的無約束模型，另一個是由原假設約束的含較少參數的相應約束模型）的擬合優度以確定哪個模型與樣本數據擬合得更好。當具有嵌套關系的兩個模型的樣本量較大時，兩個模型的對數似然值的差具有2分布的特點，所以將-2倍的對數似然值稱為似然比[48]，其公式如下：

（-22）-（-21）=-2ln（2/1）（7）

其中，1、2分別為所設定原模型和省略模型的最大似然函數的對數。

Cox & Snell2是在似然比的基礎上模仿線性回歸模型的2來解釋Logistic回歸模型，一般小于1。其公式為：

其中，(0)表示初始模型的似然值，()表示當前模型的似然值。

Nagelkerke R2則是對Cox & Snell R2的進一步調整，使得取值范圍在0～1之間，其計算公式為：

Cox & Snell2與Nagelkerke2從不同角度對Logsitic回歸模型進行解釋。研究表明，Nagelkerke2越大，說明Logistic回歸模型具有更好的預測性能[28,32]。

ROC曲線分析主要用于描述診斷系統對正、反兩種狀態的判斷能力。當預測效果最佳時，曲線應該是從左下角垂直上升至頂，然后水平方向向右延伸至右上角。如果ROC曲線呈主對角線分布，表明診斷方法無效；ROC曲線下面積大于0.5，說明模型的擬合程度較好。Shi等人[32]和Jia等人[12]分別用ROC曲線分析各自模型的擬合程度，以此來保證模型的優良性。

Akaike信息準則（Akaike information criterion），簡稱AIC，是衡量統計模型擬合優良性的一種準則，由日本統計學家赤池弘次創立和發展，因此又稱赤池信息準則。它建立在熵的概念基礎上，可以權衡所估計模型的復雜度和此模型擬合數據的優良性，用來消除模型的過度擬合。通常情況下，AIC可以表示為：

2－2ln() （10）

其中：是參數的數量，是似然函數。

假設條件是模型的誤差服從獨立正態分布。讓為觀察數，RSS為剩余平方和，那么AIC變為：

2＋ln() （11）

增加自由參數的數量提高了擬合的優良性，盡管AIC支持數據擬合的優良性，但要盡量避免出現過度擬合（Overfitting）的情況，所以優先考慮的模型應是AIC值最小的那一個。Fabi等人[40]用AIC信息準則驗證模型優良性；以及Jones等人[31]、Andersen等人[11]和Calì等人[14]研究中的解釋變量都是基于AIC信息準則的向前和向后選擇程序來確定的。這種方法是將所有模型，無論是單變量模型、雙變量模型以及多變量模型都進行互相比較，然后確定出AIC值最小的變量模型即為最佳模型，對擬合的準確性和嚴謹性都比較高。

另外，為保證數據穩定性也可采用交叉驗證的方法。交叉驗證的基本思想是在某種意義下將原始數據進行分組，一部分作為訓練集，另一部分作為驗證集。首先用訓練集對模型進行訓練，再利用驗證集來測試訓練得到的模型，以此作為評價模型性能的指標，目的就是為了得到可靠穩定的模型。Calì等人[14]和Jia等人[12]采用十倍交叉驗證，保證了結果的可靠性，準確度可以達到82.14%。此外還有一些其他的驗證方法，例如采用外部模型驗證并使用三個分析標準，將模擬的窗口狀態與測量的窗口狀態進行比較[39]，以保證模型的可靠性。但這種方法可能會存在樣本需求量較大的問題。

從模型建立及檢驗的整個過程來看，建立模型最常用的仍然是Logistic模型以及結合馬爾可夫鏈和生存分析的擴展模型，但這些模型很少考慮窗口開度大小變化的過程，以及人的隨機行為對窗口開度的影響，即利用簡單的二分類問題來分析一個復雜的問題?？紤]到窗口開度對室內環境和通風的影響[25,49]，這類模型需要改進。另外，對于模型的檢驗，存在眾多的統計學方法可以應用，這些方法的結論是否相同，是否可以相互佐證，以及哪些模型更為可靠，也有待進一步研究。

4 討論

通過以上人員開窗行為的研究方法，可以得出影響開窗行為的顯著因素也是不同的。Wolf等人[39]得出室外溫度是人員開窗行為的主要驅動因素之一，并且已有研究證明得出室內外溫度差對開窗行為表現出顯著影響[50]，這說明了室內外溫度是影響窗口狀態不可缺失的因素。而Jian等人[51]認為室內二氧化碳濃度是開窗行為最佳預測因子，并提出室內外熱環境對開窗行為具有強烈影響，對此，也有學者得出室內二氧化碳濃度是打開窗口最常見的影響因素，并且每天不同的時間段也成為影響開窗行為較為顯著的影響因素[14,30]；另一方面，陳偉煌等人[52]分析得出空調房間和自然通風房間室內人員的開窗概率都隨室內外溫度的增加而增加，但空調房間開窗概率的變化幅度明顯大于自然通風房間，說明室內冷熱源設備的狀態對開窗行為也具有不可忽視的影響；而Herkel等人[34]在分析時將窗戶分為大窗口和小窗口、傾斜打開和完全打開，結果表明不同開度大小對開窗持續時間有著明顯的影響，但是對具體的開度大小沒有定量化分析；Park等人[53]通過多元Logistic回歸模型同樣分析了室內外不同變量對開窗行為的影響，得出開窗行為與室內外溫度之間有顯著的相關性。最后在Fabi[33]的總結中，將開窗行為的驅動力分為五大類（物理環境、情景、心理、生理和社會），并指出開窗行為的研究不能僅限于調查窗口本身的狀態，更要著重于從一個狀態到另一個狀態的變化，指出盡管關于主要觸發因素還沒有統一的認識，但仍然可總結出三個普遍影響開窗行為的驅動因素——室外溫度、室內溫度及二氧化碳濃度。從結論中可以看出，影響開窗行為的因素并不一致，原因主要在于建筑物類型、當地氣象環境和室內人員的生活習性的不同等，但普遍因素與Fabi的總結大致相同。

根據目前研究可以得出，盡管學者們對人員開窗行為有了較為全面的認識，但仍然存在一些問題。正如前面提到的：（1）針對實地測量中出現的數據缺失、采集不完全或者異常的情況，需要利用統計學方法對異常值和缺失的數據進行分析；（2）限于采樣設備的技術水平，特別是對于開窗狀態的監測數據的采集范圍和采集量較小，大多數研究僅針對某幾個房間的多個窗口進行檢測，無法發揮大數據的優勢，這種傳統的侵入式儀器安裝方式也可能對室內人員對窗口的操作造成干擾；（3）對于開窗模型大部分研究仍然采用簡單的二分問題來分析，很少考慮窗口開度大小變化的過程，以及人員隨機行為對窗口開度的影響，更沒有考慮窗口開度的隨機性對室內外環境演化關系的影響；（4）對于模型檢驗，眾多檢驗方法的比較和分析也較少。據此，我們針對目前人員開窗行為的建模和分析方法，提出一些設想和建議以期解決目前存在的問題，圖5為我們總結的人員開窗行為研究流程圖。如圖所示，首先我們認為可以采用對建筑立面窗口的圖像智能識別和熱成像分析來實現窗口開度大小的大數據采集；基于采集到的大量數據，可以通過偏態分布和生存分析來解釋窗口開度隨環境參數的變化規律；最后，可以通過蒙特卡洛模擬結合質平衡方程來分析窗口開度的隨機性對室內外環境演化關系的影響。

圖5 人員開窗行為研究過程流程圖

5 結論

本文針對開窗行為的研究，進行了較為全面的論述，目前的研究在普遍情況下公認的對人員開窗行為具有顯著影響的影響因素為室內外溫度、二氧化碳濃度及每天不同的時間段。目前研究中所采用的建模方法主要為Logistic回歸模型，也包括馬爾可夫鏈、頻繁模式挖掘等較為新穎的方法。此外，對于模型檢驗，ROC曲線分析以及AIC信息準則被大多數研究所采用。盡管許多研究過程都值得借鑒，但仍存在一些尚未解決的問題。例如研究所收集樣本數據不充分，模型具有局限性，未充分考慮行為隨機性以及心理、生理因素等影響。文章中對人員開窗行為的綜述性分析，針對現有的問題提出了一些新的方法，例如在數據采集中結合圖像智能識別及熱成像技術來增大樣本采集量和采集速度，建立表征窗口開度變化的偏態模型，以及結合蒙特卡洛模擬和質平衡方程來分析室內外環境的演化關系等。本文為研究尋求新的方法奠定了基礎，對避免重復性勞動和提高研究的價值都有較大的意義。

[1] 劉曉紅,周定國.室內環境污染的危害及其預防[J]浙江農林大學學報,2003,20(3): 297-301.

[2] 熊志明,張國強,彭建國,等.室內可吸入顆粒物污染研究現狀[J]暖通空調,2004,34(4): 32-36.

[3] 張顯輝,李長玉.淺談室內環境污染問題[J]環境科學與管理,2008,33(10):68-70.

[4] 馬惠穎,邵曉亮,梁超,等.霧霾天氣下住宅開窗通風與空氣凈化聯合策略可行性研究[J]暖通空調,2016, 46(2):18-23.

[5] 李先庭,楊建榮,王欣.室內空氣品質研究現狀與發展[J]暖通空調,2000,30(3): 36-40.

[6] 趙曉穎,柳孝圖.南京地區住宅自然通風設計研究[D]南京:東南大學,2005.

[7] 謝子令,孫林柱,楊芳.住宅自然通風節能率及其開窗行為相關性分析[J]建筑熱能通風空調,2012,32(1):20-23.

[8] Yao M Y, Zhao B. Window opening behavior of occupants in residential buildings inBeijing[J]Building and Environment, 2017,124:441-449.

[9] 周浩.基于室內環境監測數據的人行為識別方法研究[D].天津:天津大學,2016.

[10] Belafi Z D, Naspi F, Amesano M, et al. Investigation on window opening and closing behavior in schools through measurements and surveys: A case study in BudapestBuilding and Environment, 2018,143:523-531.

[11] Andersen R, Fabi V, Toftum J, et al. Window opening behaviour modelled from measurements in Danish dwellings[J]Building and Environment, 2013,69:101- 113.

[12] Jia S S, Liu J J. Window opening behaviors in residential buildings in different regions of China[J]Tianjin University, 2017.

[13] Lai D, Qi Y, Liu J, et al. Ventilation behavior in residential buildings with mechanical ventilation systems across different climate zones in China[J]Building and Environment, 2018,143:679-690.

[14] Calì D, Andersen R K, Muller D, et al. Analysis of occupants' behavior related to the use of windows in German households[J]Building and Environment, 2016,103:54-69.

[15] 邱少輝,李安桂,張新記.西安市自然通風住宅窗開啟率調查分析[J]建筑熱能通風空調,2009,28(1):58-61.

[16] 李蕓.重慶地區過渡季節高校學生公寓人員門窗開關行為研究[D]重慶:重慶大學,2014.

[17] 張劍.建筑朝向和高度對辦公室使用者開窗通風行為的影響研究[J]華中建筑,2011,29(8):50-53.

[18] Zhang Y F, Barrett P. Factors influencing the occupants’ window opening behaviour in a naturally ventilated office building[J]Building and Environment, 2012,50: 125-134.

[19] Haldi F, Robinson D. Interactions with window openings by office occupants[J]Building and Environment, 2009,44(12):2378-2395.

[20] 潘嵩,許傳奇.北京某高校辦公建筑人員開窗行為研究[J]建筑科學,2015,31(10):212-217.

[21] Schweiker M, Shukuya M. Comparison of theoretical and statistical models of air conditioning unit usage behaviour in a residential setting under Japanese climatic conditions[J]Building and Environment, 2009,44(10): 2137-2149.

[22] 范瑞娟.基于蒙特卡羅方法的重慶地區過渡季節辦公建筑人員開窗行為研究[D]重慶:重慶大學,2013.

[23] 劉斌,牛潤萍,魏紳.居住建筑開窗行為的研究進展[J]人類工效學,2017,23(2):81-86.

[24] Jeong B, Jeong J W, Park J S, et al. Occupant behavior regarding the manual control of windows in residentialbuildings[J]Energy and Buildings, 2016,127: 206-216.

[25] Heiselberg P, Svidt K, Nielsen P V. Characteristics of airflow from open windows[J]Building and Environment, 2001,36(7):859-869.

[26] Barthelmes V M, Heo Y, Fabi V, et al. Exploration of the Bayesian Network framework for modelling window control behaviour[J]Building and Environment, 2017,126:318-330.

[27] 王闖.有關建筑用能的人行為模擬研究[D]北京:清華大學,2014.

[28] Shi Z N, Qian H, Zheng X, et al. Seasonal variation of window opening behaviors in two naturally ventilated hospital wards[J]Building and Environment, 2018,130: 85-93.

[29] Pan S, Xiong Y, Han Y, et al. A study on influential factors of occupant window-opening behavior in an office building in China[J]Building and Environment, 2018,133:41-50.

[30] Stazi F, Naspi F, D'Orazio M. A literature review on driving factors and contextual events influencing occupants' behaviours in buildings[J]Building and Environment, 2017,118:40-66.

[31] Jones R V, Fuertes A, Gregori E, et al. Stochastic behavioural models of occupants' main bedroom window operation for UK residential buildings[J]Building and Environment, 2017,118:144-158.

[32] Shi S S, Zhao B. Occupants’ interactions with windows in 8 residential apartments in Beijing and Nanjing, China[J]Building Simulation, 2015,9(2):221-231.

[33] Fabi V, Andersen R V, Corgnati S, et al. Occupants' window opening behaviour: A literature review of factors influencing occupant behaviour and models[J]Building and Environment, 2012,58:188-198.

[34] Herkel S, Knapp U, Pfafferott J, et al. Towards a model of user behaviour regarding the manual control of windows in office buildings[J]Building and Environment, 2008,43(4):588-600.

[35] Lai D Y, Jia S S, Qi Y, et al. Window-opening behavior in Chinese residential buildings across different climate zones[J]Building and Environment, 2018,142:234-243.

[36] GuerraSantin O, Itard L. Occupants' behaviour: determinants and effects on residential heating consumption[J]Building Research and Information, 2010,38(3):318-338.

[37] D’Oca S, Fabi V,Corgnati S P, et al. Effect of thermostat and window opening occupant behavior models on energy use in homes[J]Building Simulation, 2014,7(6):683-694.

[38] Tian X, Chen S, Wei Z, et al. Impact of Window-opening Random Behaviors on Indoor Ultrafine Particles_a Preliminary Simulation Study[J]Procedia Engineering, 2017,205:2793-2799.

[39] Wolf S, W?lki D,Robinson D, et al. Evaluation and Re-training of Two Window Opening Models Using an Independent Dataset[C]Healthy Buildings 2017 Europe, 2017.

[40] Fabi V, Andersen R V,Corgnati S P, et al. A methodology for modelling energy-related human behaviour: Application to window opening behaviour in residential buildings[J]Building Simulation, 2013,6(4):415-427.

[41] D'Oca S, Hong T. A data-mining approach to discover patterns of window opening and closing behavior in officesBuilding and Environment, 2014,82(11):726- 739.

[42] 周浩,林波榮.基于監測數據的老年人家庭開窗習慣與QIEQ分析[C]第八屆室內環境與健康分會學術年會(IEHB2017),2017.

[43] Tahmasebi F, Mahdavi A. On the Utility of Occupants' Behavioural Diversity Information for Building Performance Simulation: An Exploratory Case Study[J]. Energy and Buildings, 2018,176:380-389.

[44] Markovic R, Grintal E, W?lki D, et al.Window Opening Model using Deep Learning Methods[J]Building and Environment,2018,145:319-329.

[45] 孟慶龍,熊櫻子,潘嵩,等.基于BP神經網絡的辦公建筑人員開窗行為預測方法[J]建筑科學,2018,34(10):103- 108.

[46] Pan S, Wei S, Wei Y X, et al. A model based on Gauss Distribution for predicting window behavior in building[J]Building and Environment, 2019,149(0360- 1323):210-219.

[47] Rijal H B, Tuohy P G. Development- adaptive-window- opening algorithm predict the thermal comfort, energy use and overheating in buildings[J]Journal of Building Performance Simulation, 2008, 1(1):17-30.

[48] 許傳奇.北京某大學辦公建筑人員開窗行為研究[D]北京:北京工業大學,2016.

[49] Huang K L, Feng G, Li H, et al. Opening window issue of residential buildings in winter in north China: A case study in Shenyang[J]Energy and Buildings, 2014,84: 567-574.

[50] Liang W H, Qin M H. A simulation study of ventilation and indoor gaseous pollutant transport under different window/door opening behaviors[J]Building Simulation, 2017,10(3):395-405.

[51] Jian Y W, Guo Y J, Liu J, et al. Case study of window opening behavior using field measurement results[J]Building Simulation, 2011,4(2):107-116.

[52] 陳偉煌.夏熱冬冷地區夏季舒適狀況及居民開窗行為研究[D]長沙:湖南大學,2009.

[53] Park J S, Choi C S. Modeling occupant behavior of the manual control of windows in residential buildings[J]Indoor air, 2019,29(2):242-251.

Driving Factors and Stochastic Models for Occupants' Window Opening Behavior: A Review

Li Fei1Zheng Hengjie1Zhou Bin1Liu Xiaoran1Zhang Kai1Chen Chen2

( 1.Nanjing Tech University, Nanjing, 210009; 2.Nanjing Normal University, Nanjing, 210097 )

Occupant window opening behavior would affect the indoor air quality and the building energy consumption to a certain extent. Therefore, the study on the window opening behavior is important. In this paper, the experimental and modeling methods for window opening behavior is briefly analyzed, and some suggestions are proposed. The review has four parts: data sampling methods, factor analysis methods, statistical modeling methods of behavior, and model test methods. We compared and analyzed the different methods for each part. For the problem in previous research, such as insufficient sampling data and inattention of behavior stochastic characteristic, proposes some new methods. For example, combination of the image recognition and thermal imaging can be used to increase the sampling quantity and speed, and Skewed model can be built to represent the size of the window opening can be used to study the evolution relationship of indoor and outdoor pollutant concentrations associating with Monte Carlo simulation.

Data sampling; Statistical modeling; Significance analysis; Hypothesis testing

TU834.1

A

1671-6612（2020）01-127-12

國家自然科學基金項目（51708286）；江蘇省自然科學基金（BK20171015）；江蘇省第十四批“六大人才高峰”高層次人才項目（JNHB-043）

李 斐（1987.4-），男，博士，副教授，E-mail：faylee@njtech.edu.cn

2019-03-25