天津大学 陈琬玥 丁研
【摘 要】人员行为的随机性和不确定性易造成建筑能耗模拟值与实际之间的偏差，为了准确模拟建筑中人员在室情况对建筑能耗的影响，有必要先了解人员在空间内的转移机制。本文以GPS得到的不同人员定位为基础，利用热力轨迹图将人员在校园区间内不同时刻的聚集程度表示出来，并利用贝叶斯分类最终确定不同人员转移类型及相关比例。结果显示，校园区域内人员主要转移状态以“两点一线型”、“宅在宿舍型”、“漫游型”和“离校型”四种状态为主，同时存在一定几率的两种状态之间的切换。该研究结论可有效反应人员在各校园建筑之间的一般转移规律，为进行由人员在室情况引起的能耗变化模拟工作提供依据。
【关键词】人员移动；热力轨迹图；聚集程度；贝叶斯分类
1 引言
根据相关调查统计，全国高校能耗占社会总能耗的8%，校园中人均能耗达到全国人均能耗的2~4倍[1]，高校建筑作为社会的能耗大户存在着巨大的节能潜力。然而，现有的人员行为研究热点大多集中在居住建筑、办公建筑等而较少关注高校建筑[2]。而相比于其他类型建筑，高校空间内人员移动由于受特定的活动和时间限制而规律性更强[3]，通过寻找校园空间内人员移动规律来实现能耗的精确模拟对于节能潜力的挖掘具有一定的现实意义。
基于此，本文通过热力轨迹图将人员在高校空间内不同时刻的位置转移分别以聚集热度的形式表达出来，为人员分时分区的转移规律提供可视化描述。同时结合贝叶斯分类确定人员在校园空间内转移类型及比例，探求高校空间内人员转移规律，为不同校园建筑的人员在室率研究提供思路和依据。
2 研究方法
2.1案例选取
本文选取了天津地区某高校作为本次研究案例，校内建筑采用教学组团的形式建设，即在一定范围内同时配有教学楼、行政楼、图书馆、宿舍楼、食堂等设施，能够同时为师生提供教学、学习、科研、生活等多项功能，每类建筑运行模式和使用功能相似，具体如表1所示。
表1 不同建筑类型运行模式和使用功能
2.2 研究对象
不同学习阶段的学生由于课程安排、住宿条件以及办事需求的不同，可能导致其在校园空间内不同建筑中的转移情况不尽相同，因此在探究人员移动规律时应区分不同学习阶段。按学习阶段的不同，将高校学生分为本科生、硕士生两大类，该校博士生总数不到学生总数的0.1%，因此对于此类学生忽略不计。
为得到更多的数据，本次测试设计了调查问卷，重点在于调查人员常去的建筑及时间。首先在宿舍楼、教学楼和宿舍楼大规模发放调查问卷，总计回收有效问卷1022套。被调查人数约为调研区域全部使用人数的24%，其中，本科生、硕士生数量分别为713人和309人，基本符合该区域活动的各年级人数比例。
由于问卷得到数据较为宽泛，为了获得更加精确的数据，选择被调查人员中的部分人员，进行更详细的追踪测试。按该高校在校生中本科生、硕士生8:5的人数比例确定样本数量，本文选择了常在中区活动的80名本科生、50名硕士生志愿者进行跟踪测试。测试所用GPS定位仪如图1所示，测试中要求选取的样本人员携带定位仪的时间不少于两星期，从而得到每个测试对象每天在每个时刻所处的位置，据此绘制成如图2所示的人员轨迹示意图。
图1 GPS实物图 图2 人员轨迹示意图
2.3 人员分类算法
朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立——朴素贝叶斯假设(Naive Bayes Assumption)，也即是特征向量中一个特征的取值并不影响其他特征的取值，如下式所示：
(1)
式中y代表向量，xi表示y的第i个特征值。对于任意事件，在贝叶斯假设成立的前提下m全概率公式可以用式(2)来表示;
(2)
结合全概率公式最终获得贝叶斯分类模型表达式：
(3)
对每一个携带GPS定位仪的人员发放调查问卷后，将调查问卷中的选项转换成对应的数值，即可生成一个n维的y向量，在通过GPS获得人员区域转移的分时分区规律之后，可以确定每一个向量y所对应的类别l，在根据公式（3）的结果对不同类型建筑中的人员依次进行分类，并最终确定各类型建筑中各转移类型的比例，最终得到整个校园区域内人员分时分区转移规律。
3 结果与讨论
3.1 人员区域转移热力图
在获得人员的GPS轨迹之后，通过定位仪上传人员的经纬度位置最终生成人员的轨迹图，并绘制出人员的热力轨迹图，通过记录所有携带GPS人员的逐时轨迹并将其放在同一张热力轨迹图上，最终实现人员移动规律的可视化，具体效果如图3所示。
图3 人员分布热力轨迹图
通过热力轨迹图可以看出，在凌晨时分，由于大部分人在宿舍休息，因此宿舍楼热度很高，人员聚集比较集中，中午午饭期间，大部分人动身前往食堂，食堂热度逐渐升至最高，随着下午工作时间的到来，办公楼热度逐渐上升，但此时食堂热度也较高，经调查主要是由于食堂提供免费空调，所有很大一部分学生选择在食堂学习，此时食堂起到了类似办公楼的作用，也应当将其等同于办公楼，在夜晚工作时间段结束后，宿舍楼热度重新变为最高，完成了一天的移动。作者在进行为期20天的统计后发现此规律几乎不会发生变化，可见校园人员活动的规律性。
3.2 人员移动状态分类
为了进一步挖掘人员的移动规律，本文就人员热度较高的几栋建筑进行统计，将建筑分为不同的类型，相同类型的建筑归为一类，并最终给出了人员全天分布概率如表2所示。
表2 校内人员全天活动分布频率统计
可见，人员出现在宿舍楼的概率是最高的，其次是教学楼和办公楼，这也符合人员作息的实际情况，但是不同类型的人员的概率是不相同的，通过统计单个人员全天分布的频率(见附录B)，并除去就餐时间和晚上睡觉时间，可以发现人员在一天之内的移动可以分为以下几种状态：(1)两点一线，“两点”指的是宿舍楼和人员的主要活动地点，对于本科生而言，一般是教学楼和图书馆，对于研究生而言一般是办公楼。此类型出现频率最高，也是高校学生生活的常态，具有很强的代表性；(2)宅在宿舍型，此状态学生基本全天待在宿舍，从宿舍人数统计结果来看，即使是人数最少的时候也依然有近20%的人留在宿舍，可见此处于状态的学生具有相当的数量；(3)漫游，此类型学生活动没有明确的目的，基本所有类型建筑都会有几率前往；可见此类学生移动是比较随意的，此类型比例的学生数量较少，且由于去的建筑几率相同，可以认为只会拉高建筑能耗平均水平而不会是建筑能耗出现波动；(4)离校，处于此状态下一天中会有部分时间选择离开学校，此状态学生数量最少，也侧面印证了校园活动的相对封闭性。四种类型的比例如表3所示。
表3 各移动状态所占比例
3.3 人员移动规律
上述3.2节总结出来的移动类型指的是单个人员一天的移动规律，实际上在整个20天的监测周期内，单个人员往往不会一直保持一种移动状态，而是有可能在两种或三种移动状态之间来回切换，通过进一步的分析发现绝大部分在两种状态中切换，且大部分时候处于一种状态，偶尔才会切换为另一种状态，因此，在考虑人员移动的规律的基础上，进一步给出如下分类，用来反映人员的真实移动类型：(1)两点一线型；(2)两点一线为主，部分时间宅在宿舍；(3)大部分两点一线，偶尔漫游；(4)大部分时候宅在宿舍，偶尔漫游；(5)离校型。五种类型的比例如表4所示。
表4 五种移动类型人员比例
在获得具体的移动类型后，将对GPS携带人员发放的调查问卷作为训练样本，对宿舍楼、教学楼和办公楼人员发放的调查问卷进行分类，得出每栋建筑的各类人员的比例，结果如表5所示。
表5 典型建筑各移动类型比例
从表5可以看出三种类型建筑各类人员分布各有其特点，两点一线类型人员中办公楼比例最高，调查问卷显示，教学楼的主要活动人员90%为本科生，而办公楼内几乎100%为研究生，相对于主要活动范围为教学楼的本科生更加具有规律性，而且研究生一般具有固定的学习场所，待在办公楼的实际较本科生长，相比之下，本科生也更愿意待在宿舍；大部分时候两点一线活动，偶尔宅在宿舍类型中比例最高的为教学楼，这也和本科生的活动特点有关；大部分时候宅在宿舍，偶尔漫游的类型中教学楼比例最高，这也和本科生的特点有关。类型3和类型5在三栋建筑中的比例差别不大，可见这两种类型与建筑类型的关系不大。而引起其他类型建筑类型比例不同的原因则主要是由于本科生和研究生的作息习惯不同造成的。
4 结 论
人行为是建筑能耗模拟误差的主要原因之一，本文从人员转移行为学出发，探究高校空间内人员在各建筑之间的转移规律，为由人员行为引起的各建筑能耗模拟提供依据。人员在空间内的转移规律通过热力轨迹图的形式表现出来，从而发现校园空间内的人员转移类型，并利用贝叶斯分类原理最终得到各类型人员所占比例。
分析结果显示，校园区域的人员主要转移状态可以分为两点一线活动、宅在宿舍、漫游型和离校型四种类别，进一步研究发现单个人员的移动有一定几率在两种状态之间切换，进而得出人员的区域转移类型可以分为以下五类：两点一线活动、大部分时候两点一线活动，偶尔宅在宿舍、大部分时间两点一线活动，偶尔漫游、大部分时候宅在宿舍，偶尔漫游和离校型，最后通过贝叶斯分类确定了不同类型建筑中的各类转移类型的比例，其中宿舍楼的比例分别为38.89%、25.9%、17.6%、13.9%和3.7%；教学楼为36.5%、27.87%、15.16%、16.17%和4.2%；办公楼为40.05%、23.89%、16.7%、14.8%和4.5%。
然而人员的区域转移规律研究仅限于统计性规律的研究，没有更深层次的挖掘人员区域转移的影响因素，不同类别人员会对各建筑能耗如何影响尚不清楚，除此之外，此项工作还需要更多的样本数据作为支撑，而此次测试受条件限制并没有实现该目标。
5 参考文献
[1] 谭洪卫, 徐钰琳, 胡承益, 陈小龙, "Research on Building Campus Energy Management%全球气候变化应对与我国高校校园建筑节能监管," 建筑热能通风空调, vol. 29, no. 1, pp. 36-40, 2010.
[2] M. Jia, R. S. Srinivasan, and A. A. Raheem, "From occupancy to occupant behavior: An analytical survey of data acquisition technologies, modeling methodologies and simulation coupling mechanisms for building energy efficiency," Renewable and Sustainable Energy Reviews, vol. 68, pp. 525-540, 2017/02/01/ 2017, doi: https://doi.org/10.1016/j.rser.2016.10.011.
[3] Y. Ding, Q. Wang, Z. Wang, S. Han, and N. Zhu, "An occupancy-based model for building electricity consumption prediction: A case study of three campus buildings in Tianjin," Energy and Buildings, vol. 202, p. 109412, 2019/11/01/ 2019, doi: https://doi.org/10.1016/j.enbuild.2019.109412.
备注：本文收录于《建筑环境与能源》2020年10月刊 总第37期（第22届全国暖通空调制冷学术年会文集）。版权归论文作者所有，任何形式转载请联系作者。
