《机械科学与技术杂志》（Journal of Mechanical Science and Technology）于2025年12月发表了来自韩国弘益大学机械与系统设计工程系研究人员Sanghun Kim, Seungmin Kim和Haeseong Jee（通讯作者）的一项原创研究。这项研究题为“一种用于人工智能驱动供暖调节的个人热舒适预测机器学习模型”（A machine learning model of individual thermal comfort prediction for AI-driven heating adjustment）。该研究旨在解决传统供暖系统手动调节的局限性，并探索利用机器学习（ML）技术，结合个人生理数据，更精确地预测个体热舒适度，从而实现自动化、智能化的供暖调节。

本研究隶属于智能建筑环境控制与人体热舒适性交叉领域，具体聚焦于人工智能物联网（AIoT）在暖通空调（HVAC）系统中的应用。研究的核心背景在于，传统的供暖调节主要依赖手动操作，这源于缺乏全面的用户管理和对个体热舒适（Individual Thermal Comfort）差异的考量。尽管预测平均投票（Predicted Mean Vote, PMV）模型是评估热舒适度的经典指标，但它在实际应用中常表现出预测值与个体实际热感觉（Thermal Sensation Vote, TSV）之间的差异，部分原因在于难以在现场环境中准确获取如服装热阻和活动水平等参数。随着物联网（IoT）和人工智能（AI）技术的发展，结合AI模型进行快速准确的热舒适预测，成为优化供暖调节、提升能效和用户体验的关键挑战。因此，本研究的目标是提出一种超越传统近似估计或评估的、能准确预测个体热舒适与感觉的方法论，特别针对AI驱动的供暖管理系统，并通过实验设计（Design of Experiment, DOE）分析来验证所提出模型的稳健性。

研究的详细工作流程可分为四个主要阶段：模型构建与数据采集、线性回归机器学习模型训练与评估、实验设计（DOE）分析验证模型稳健性，以及最终的结论与展望。

在第一阶段，即模型构建与数据采集中，研究人员旨在建立一个比PMV更准确的预测模型。为此，他们引入了名为“人工智能投票”（Artificial Intelligence Vote, AIV）的新型个体热舒适指数。为了生成AIV指数，研究团队设计了一项实验来收集数据。实验对象为一组年龄在20至23岁之间的年轻男性和女性，所有对象在实验期间穿着统一的服装。实验在相同地点进行，采集的数据包括两大类：环境物理变量和个人生理信息。物理变量（如室内温度和相对湿度）使用DHT-21传感器测量；生理信息则包括通过InBody-570设备测得的基础代谢率（Basal Metabolic Rate, BMR）和体脂率，以及通过SZH-SSBH-035传感器测量心率。此外，研究还通过问卷调查收集了实验对象的主观热感觉投票（TSV），作为模型训练的目标值（即“真实值”或“标签”）。TSV依据ASHRAE的7点热感觉量表（从-3“冷”到+3“热”，0代表“中性”舒适）进行评估。PMV值则通过其经典公式（考虑代谢率、服装热阻、空气温度、平均辐射温度、空气速度和相对湿度六个关键因素）计算获得。因此，模型的输入特征变量包括PMV值以及心率、BMR、体脂率等生理参数，输出目标是逼近TSV的AIV指数。

第二阶段是线性回归机器学习模型的开发与性能评估。研究团队采用三次（三阶）多项式线性回归模型来实现AIV指数，以实现最佳模型效率。他们构建了两个略有不同的AIV指数模型：AIV1和AIV2。AIV1模型包含了四个乘积变量：α (PMV)、β (BMR)、γ (体脂率) 和 δ (心率)。其公式表示为AIV1是这些变量及其二次项、三次项与相应系数向量乘积之和的线性组合。AIV2模型则排除了心率（δ）变量，仅使用PMV、BMR和体脂率三个变量。研究在夏季和冬季两种场景下分别训练和评估了模型。结果显示，无论是AIV1还是AIV2，其预测值的变化曲线都比传统的PMV值更紧密地跟随实际的TSV目标值曲线。为了定量评估性能，研究采用了四个关键指标：平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和决定系数（R²）。数据分析表明，在夏季和冬季，两个AIV指数在所有四个误差指标上都显著优于PMV模型。例如，在夏季案例中，PMV的MAE为0.616，而AIV1和AIV2分别为0.408和0.379；R²指标上，PMV仅为0.201，而AIV1和AIV2分别达到0.758和0.745。冬季案例也呈现出类似的优势。这些数据清晰地证明，引入个体生理信息（如BMR、体脂率和心率）的机器学习模型，其预测准确性显著高于仅依赖环境和个人活动参数的经典PMV模型。

第三阶段是实验设计（DOE）分析，旨在解决模型训练数据量有限（仅约120个数据案例）且实验对象年龄范围狭窄（20-23岁）可能带来的模型稳健性问题。DOE作为一种系统化的分析方法，用于探索多个控制变量对模型输出响应的影响。在本研究中，研究人员特意从影响PMV的六个关键因素中选取了两个与AIV指数本身没有直接数学关联的控制因子：温度（T）和相对湿度（RH）。他们希望通过观察在不同温湿度组合下，AIV指数的响应是否能收敛到理想目标值（中性舒适，即0），来验证模型的稳健性和自洽性。DOE分析共进行了三个“重复集”（Rep. Set）。每个重复集涉及为温度（T）和相对湿度（H）设置两个水平（高、低），并为每个因子水平添加噪声扰动（温度±1°C，湿度±10%），从而构成一个包含16次（4x4）实验的输出响应矩阵。研究人员计算了每个温湿度组合下AIV指数的平均值和信噪比（S/N）。分析过程是一个迭代优化路径：从第一个重复集（Rep.1，T: 22/28°C， H: ²⁰⁄₇₀%）开始，找到产生最佳（最接近0）AIV平均值的因子组合（22°C， 70%）；然后以此最佳点为中心，设置第二个重复集（Rep.2， T: 19/25°C， H: ⁵⁰⁄₉₀%）的参数范围，并再次寻找最佳组合（25°C， 50%）；接着进行第三个重复集（Rep.3， T: 23.⁵⁄₂₆.5°C， H: ⁴⁰⁄₆₀%）。结果显示，三个重复集得到的最佳AIV指数值分别为-0.188、0.343和0.031，逐渐收敛并非常接近理想目标值0。特别是第三个重复集的最佳点（23.5°C， 40% RH）不仅使AIV指数趋近于0，而且根据温湿度指数（THI）判断，该组合也处于“无热应激”的舒适范围内。这一DOE分析成功地表明，即使面对训练数据不足的挑战，并且在仅使用部分环境因子驱动的情况下，所提出的AIV模型仍能产生稳健且合理的预测结果，其响应能够系统地收敛到理论上的舒适状态，从而有力地验证了模型本身的逻辑合理性和应用可靠性。

本研究获得的主要结果具体体现在两个方面：首先，线性回归模型AIV1和AIV2在预测个体热感觉时，其误差指标（MAE， MSE， RMSE）显著低于传统PMV模型，且R²值大幅提升，证明其预测精度更高，与真实TSV的拟合度更好。其次，DOE分析的结果显示，AIV指数在系统变化的温湿度环境下，其输出能够稳定地收敛于中性舒适点（0），这从模型验证角度证实了AIV指数具有良好的稳健性，能够克服训练数据样本局限性的潜在问题，确保其在更广泛应用场景下的可靠性。

基于以上结果，研究得出结论：该研究成功开发并验证了一个基于线性回归机器学习（ML）的模型，用于准确预测个体热舒适感。该模型不仅利用了传统的PMV指数，还整合了个体的关键生理信息（基础代谢率BMR、体脂率、心率），从而实现了比单一PMV模型更高的预测精度。此外，研究通过引入实验设计（DOE）方法，有效地在训练数据有限的条件下验证并强化了模型的稳健性。这项工作的科学价值在于提出了一种融合多源生理数据的、数据驱动式的个体热舒适建模新方法，为传统热舒适研究提供了新的技术路径。其应用价值则直接指向AIoT驱动的智能供暖系统，为实现无需居住者干预的、主动式、个性化供暖调节提供了可行的预测模型和验证框架，有助于在提升居住者舒适度的同时优化能源消耗。

本研究的亮点突出体现在以下几个方面：第一，方法新颖性：提出了全新的“人工智能投票”（AIV）指数，将个体生理参数直接引入热舒适预测模型，超越了仅依赖环境参数和活动水平的传统方法。第二，模型性能优越：通过严格的误差指标对比，定量证明了所提出的ML模型在预测准确性上显著优于业界广泛接受的PMV模型。第三，验证方法独特：创新性地应用实验设计（DOE）来验证机器学习模型在数据有限条件下的稳健性，为类似小样本数据下的模型可靠性评估提供了方法论参考。第四，明确的工程应用导向：整个研究从问题定义（手动调节不足、AIoT需求）到模型设计（结合AIoT-FOTA架构），再到验证（DOE收敛于舒适点），都紧密围绕实现“无辅助的主动供暖调节”这一具体工程应用目标展开，具有清晰的落地前景。

此外，研究还有其它有价值的内容：论文详细介绍了实验所用的具体设备型号（如DHT-21， SZH-SSBH-035， InBody-570）和参数测量范围与精度，为实验的可重复性提供了保障。研究也讨论了PMV模型的局限性（现场测量服装与活动水平的困难），清晰地阐述了本研究的出发点和改进方向。最后，论文将最终DOE优化得到的温湿度组合（23.5°C， 40%）与温湿度指数（THI）标准进行了关联，指出该组合属于“无热应激”区域，从另一个侧面印证了模型输出结果的生理合理性。