基于公开数据集的长短期记忆与图神经网络混合基准的感知在室状态时空建筑能耗预测

准确进行建筑能耗需求的短期预测因耦合的时间动态、跨仪表空间效应以及在室状态驱动的变化而变得复杂。我们提出了一种感知在室状态的时空框架，该框架采用长短期记忆（LSTM）分支和图神经网络（GNN）分支，并通过将校准后的在室概率从带标签的来源迁移到缺乏在室标签的公开语料库中进行增强。利用 BDG2 和 ASHRAE GEPIII，我们构建了物理图、相关性 kNN 图和可学习 kNN 图；构建了日历-气象-滞后/滚动特征；并通过跨预测期 t+1…t+24 的前向链划分进行评估。主要指标（MAE、RMSE、MAPE）和领域指标（CVRMSE、NMBE）遵循 ASHRAE Guideline 14。该混合模型在 BDG2 和 ASHRAE GEPIII 上的 RMSE 分别达到 2.766 kWh 和 2.740 kWh，相比 ridge/XGBoost 基线分别降低了 33.44% 和 33.52%，且与仅使用 LSTM 在统计学上相当（BDG2 上的 ΔRMSE 为 −0.23%；ASHRAE GEPIII 上为 +0.02%；配对检验 p<0.05）。各预测期曲线显示出稳定的增益——尤其是在工作时间内——且可学习 kNN 通常提供最低的平均误差。逐仪表分布表明，100% 的仪表均满足 CVRMSE ≤ 30% 和 ∣NMBE∣ ≤ 10%，支持校准和再调试应用。这些研究结果表明，将时间与基于图的空间线索与可迁移的在室信号相结合，能够提供稳健、标签高效的多仪表预测，并对单位进行了标准化（kWh, °C），且一致标记 |NMBE| 以确保清晰。