随着费城努力实现其2050年计划中制定的温室气体排放目标，更好地了解分区如何在管理建筑能源使用方面发挥作用可以为城市取得成功做好准备。德雷塞尔大学工程学院的研究人员希望他们开发的机器学习模型能够通过帮助预测能源消耗如何随着社区的发展而变化来支持这些努力。

2017年，该市设定了到2050年实现碳中和的目标，这在很大程度上是由于减少了建筑能源使用产生的温室气体排放——当时建筑能源使用占费城碳足迹的近四分之三。但达到这一标准的关键不仅在于为现有建筑建立可持续的能源使用实践，还在于将能源使用预测纳入将指导未来发展的分区决策中。

作为美国最古老的城市之一，费城面临的挑战是建筑类型千差万别——能源使用也千差万别。因此，在城市层面规划更高效的能源使用并不是一个放之四海而皆准的解决方案的问题。

“特别是对于费城，社区在某些住房特征和分区类型的流行方面因地而异，因此为每个社区定制能源计划非常重要，而不是试图在整个城市或县制定全面的碳减排政策”工程学院教授西米·霍克(SimiHoque)博士说，他领导了最近发表在《能源与建筑》杂志上的关于使用机器学习进行颗粒状能源使用建模的研究。

Hoque的团队认为，如果部署得当，现有的机器学习程序可以在一定程度上阐明分区决策如何影响建筑物未来的温室气体排放。

“现在有大量的能源使用数据，但它们往往过于不一致和混乱，无法合理使用。例如，一个对应于某些住房特征的数据集可能有可用的能源估计，但另一个对应于社会经济特征的数据集功能缺少太多无法使用的值，”她说。

“机器学习完全有能力应对这一挑战，因为它们可以通过训练过程迭代学习和改进，以减少偏差和方差，尽管存在这些数据限制。”

为了从不连贯的数据中收集信息，该团队开发了一个使用两个机器学习程序的过程——一个可以从大量数据中梳理出模式并使用它们来预测未来的能源，另一个可以查明模型中的细节这可能对改变预​​测产生了最大的影响。

该程序从数据中学到了足够多的知识，可以得出一系列变量之间的相关性，例如建筑物密度、给定区域的人口、建筑面积、居住人数、使用暖气或空调的天数，以及每栋房屋或建筑物的能源使用情况。

虽然像XGBoost这样的深度学习模型对于做出明智的预测非常有用，但在给定大量且不一致的数据集的情况下，它们的方法可能会因其执行的操作的复杂性而变得模糊不清。但要成为指导规划者的有用工具，该团队需要充分解压缩所谓的“黑匣子”程序，以将其预测转化为建议。

为此，他们采用了Shapley加法解释分析，这是博弈论中用于在促成结果的因素之间分配信用的评估。这使他们能够弄清楚建筑密度或平方英尺的变化有多大，例如，考虑到程序的预测中。

“像XGBoost这样的机器学习模型学习如何处理数据集以完成特定任务——比如生成对系统的可靠预测——但它们并不声称真正理解或代表一种现象背后的实地关系，”霍克说。“虽然Shapley分析无法告诉我们哪些特征对能源使用的影响最大，但它可以解释哪些特征对模型的能源使用预测影响最大，这仍然是一个非常有用的信息。”

然后，该团队通过提供来自特拉华河谷区域规划委员会提出的假设情景的输入数据来对该模型进行测试，该假设情景估计费城到2045年的持续经济发展。该情景表明人口增加17%，人口相应增加家庭，它为全市各地区的就业和收入提供了多种不同的可能性。

对于每种情景，该模型预测了新的住宅和商业开发将如何改变城市11个不同地区建筑能源使用产生的温室气体排放，以及哪些变量在预测中发挥了重要作用。

该计划专门针对2045年的住宅能源使用情况，建议11个地区中的6个地区将减少能源使用——主要是低收入地区。而混合收入地区，如城市的最北端，包括橡树巷，可能会看到能源使用量增加。

根据Shapley的分析，单户住宅(能耗较低)与独立式(能耗较高)住宅的存在在预测中发挥了重要作用，每月电费高，地块面积小于一英亩，地块面积较小每栋建筑的房间数量都有助于降低能源使用预测。

“总的来说，住宅能源预测模型发现，与较低建筑强度相关的特征与模型中较低的能源消耗估计有关，例如较低的地块面积、较低的单位房间数量，”他们写道。“这些结果让我们有理由重新研究分区升级政策的影响，这些政策通常作为费城和美国其他城市的负担得起的住房解决方案出现，以及这些地区能源使用的后续变化。”

在该场景的商业方面，机器学习模型并未预测2045年条件下的能源使用量会发生太大变化——最大的商业建筑的能源使用量仍然很高。虽然它仅限于查看六个变量——平方英尺、员工人数、楼层数、供暖度数天数、制冷度数天数和建筑物的主要活动——但由于训练集中的可用数据，Shapley分析指出，建筑面积和员工人数是大多数商业建筑能源使用的最重要预测指标。

作者写道：“关于商业领域，该研究表明，建筑面积和员工人数前四分位数的商业建筑应该是节能计划的主要目标。”“该研究设定了总建筑面积10,000平方英尺的近似阈值，超过该标记的建筑物将被优先考虑，因为它们对模型的能量预测有不成比例的影响。”

虽然研究人员告诫不要假设模型中的变量和能源使用变化之间存在直接联系，但他们认为该模型仍然非常有用，因为它能够让规划人员从高层次和精细的角度了解分区决策和开发的相互作用及其对能源使用的影响。

“我看到使用XGBoost等机器学习模型来预测由于新建设项目或政策变化而导致的能源使用增加或减少的巨大潜力，”Hoque说。“例如，在一个街区修建一条新的铁路线可能会改变一个街区的人口统计和就业情况，而我们的方法非常适合将这些信息纳入能源预测模型。”

该团队承认需要进行更多测试，并且该程序只会在提供更多数据时得到改进。他们建议，研究的下一步是将重点放在已知能源使用量高的城市区域，并进行Shapely分析，以辨别可能造成这种情况的一些因素。

“我们希望这将为未来的研究人员和政策制定者提供资源，这样他们就不必遍历整个费城，而是可以深入研究我们标记为具有潜在重要性的地区的社区和变量，”霍克说.“理想情况下，未来的研究将使用更多可解释的方法来测试这些特征是否真的对应于给定区域中更高或更低的能量估计。”