高性能似然算法——为建筑推荐高性能设计方案的机器学习算法

前言

机器学习，从名字上可以看出，是科学家们期望机器能够向人类一样具有自主学习和解决问题的能力的算法通常。科学家们创造了大量的机器学习算法来解决不同问题。本研究探讨的是如何让算法帮助工程师设计高性能的建筑方案。这里的性能指能耗、舒适度或成本等指标。每个学科遇到的问题都有一些特殊性，针对建筑节能设计的问题，我提出了一种辅助工程师做更好决策的简单的机器学习算法。在阐述这个算法之前先以为建筑选择供暖空调系统为例分析工程师的设计过程和其中可能存在的问题。

暖通工程师选择供暖和空调系统问题分析

对于一个项目，暖通工程师要做的第一件事情是为建筑选择主要的供暖和空调系统，这要考虑项目现状、设计目标、初投资、不同系统组合的优点和缺点和项目的限制条件等。暖通工程师通常根据专业的知识、项目现状和以往的工程经验来选择供暖和空调系统。一般来说，能耗、成本和舒适性是进行建筑性能设计的常见的设计目标。为简化分析过程，本研究仅以低能耗作为唯一设计的指标。传统暖通空调系统选型存在的一个问题是暖通工程师对不同系统的实际运行能耗数据知之甚少。另外一个问题是工程师的经验是有限的，这些有限的经验可能会导致错误的决策。有研究发现，为什么人们经常进行错误的觉得是因为误导性的经验。当遇到问题时，人们常从记忆力中搜索以往的经验，找到以往类似的情形，采取类似的行动，这就是误导性的经验。误导性的经验占所有决策错误的一半以上（Finkelstein，2010）。

让计算机学习人的决策过程，有必要简要分析一下暖通工程师设计阶段的决策过程。除上述分析的暖通空调系统是设计的方法，另外一种常见的方式是模仿学习。工程师在开始项前进行的案例分析，搜集并学习相似的优秀项目或者示范项目的设计方法，模仿这些案例设计新的案例。

高性能似然算法（high performance likelihood algorithm）

为模仿工程师在进行建筑性能设计过程，并避免可能存在的个人经验的问题，本研究提出高性能似然算法。所谓高性能似然算法的核心内容：

进行相似性分析，搜索出一组和设计建筑类似的建筑群。

从相似建筑中筛选出高性能的建筑。人工智能的设计引擎从这组高性能建筑模仿学习高性能的设计策略。

针对不同的设计方案，统计其在相似建筑和高性能建筑中出现的次数，将两者的比值称为高性能似然系数。高性能似然系数用于评估这种设计方案是高性能的可能性（likelihood）。

相似性分析

相似性分析的目的是分析两个对象之间的相似性。对于相似性分析，常用的方法有欧几里德距离（Euclidian Distance）、曼哈顿距离（Manhattan Distance）、明可夫斯基距离（Minkowski distance）、余弦相似度（Cosine Similarity）和雅卡尔系数（Jaccard index）等（Deza，2009）。本研究中使用欧几里德距离来分析两个建筑之间的相似度。使用建筑面积、建筑形体、建筑所在地、建筑主要功能空间类型、建造的年代、建筑内的人员数和气候区域等7个特征参数计算相似度。使用下面公式计算相似度：

其中：

p1,p2,...,pn是建筑P的所有特征参数的取值。

q1,q2,...,qn是建筑q的所有特征参数的取值。

在使用上述公式计算相似度的时候要区分连续参数和分类参数。对于分类参数，如果两个取值不相同，其差取值1，否则取1。另外，可以使用权重系数来表示不同建筑特征参数对相似度计算的影响，这里就不详细叙述。

高性能建筑

高性能建筑即低能耗建筑。由于不同建筑使用的能源类型可能有差别，这里将不同的能源消耗统一转化为一次能源。为设计供暖和空调系统，这里将能源使用分为供暖和空调两部分。

高性能似然系数（high performance likelihood coefficient）

对于每种供暖或者空调系统，统计其在高性能建筑中被使用的次数，如果被使用的次数越多，可以说这种系统较可能节能？在机器学习领域，一种经典的算法——Apriori算法，就是这样处理问题的。Apriori算法的目的是从数据样本中找到被使用最多的项目（Frequent items），然后使用Confidence(置信水平）来表示高频率项目之间的关系。

如果也使用Apriori算法的思路，那么在高性能建筑中被使用次数越多，这种供暖或空调系统的节能性可能越强。需要注意的是Apriori算法是在分析超市货物被消费者所购买时提出的，消费者购买货物是没有优劣之分的，但在建筑性能设计领域就不同。Apriori算法不能避免在问题分析部分提到的用户根据经验决策导致的“误导性错误”。下图统计的是不同供暖系统在相似建筑、高性能建筑和所有建筑中被使用的比例。从图中可以看出使用系统2或者系统3是被经常使用的么？当去除用户的使用频率后结果会如何呢？

图1 不同供暖系统在相似建筑、高性能建筑和所有建筑中被使用的比例

为了消除不同系统被使用频率的影响，本研究提出的高性能似然系数如下：

即将每种供暖或者空调系统在高性能中出现的次数与所有相似建筑中出现的次数比值作为高性能似然系数。这样可以有效消除用户偏好的影响。

结论

提出的高性能似然算法可用于从宏观角度为建筑选择主要的部件，如供暖、空调或者照明系统；这种算法进行相似性分析得到了供算法学习的建筑群，筛选出高性能的建筑供进行案例级的分析；这种算法消除了用户使用数量的偏好，相比于传统的Apriori算法更适合建筑性能设计。高性能似然算法有助于工程师对不同系统有更深刻的理解，辅助于建筑性能设计。

参考文献

Finkelstein, S., Whitehead, J., & Campbell, A. (2010). Think again: why good leaders make bad decisions.Business Strategy Review,20(2), 62-66.

Deza, Michel Marie, and E. Deza （2009）. Encyclopedia of Distances. Reference Reviews 24.6:1-583.