数据集概述
本数据集包含通过数据驱动方法预测既有建筑表面热通量、并对围护结构部件进行改造优先级排序的工作流相关代码、数据及文档。基于丹麦建筑原型的EnergyPlus模拟输出训练XGBoost和Deep MLP两种机器学习替代模型，可用于建筑节能改造决策。
文件详解
该数据集包含代码、模型、数据等多种类型文件，具体说明如下：
- 代码文件:
- new_approach.ipynb: Jupyter Notebook格式，可能包含工作流实现代码、模型训练及验证流程
- 模型文件:
- best_mlp_model.h5: HDF5格式，保存训练后的最优Deep MLP模型
- best_model.pkl: Pickle格式，保存训练后的最优模型（可能为XGBoost）
- best_model_optuna.pkl: Pickle格式，通过Optuna优化后的最优模型
- 数据文件（CSV格式，共15个）:
- 环境与室内参数数据: indoorhumid.csv（室内湿度）、outdoor_temp.csv（室外温度）、bbout.csv（建筑边界输出）
- 热舒适与能耗相关数据: discomfort.csv（热不舒适数据）、test1.csv（测试数据）
- 建筑使用数据: peoplecount.csv（人员数量）
- 字段示例: Time（时间）、THERMAL ZONE X: Zone Air Temperature (C) - Hourly（X热区逐时空气温度）、Environment: Site Outdoor Air Drybulb Temperature (C) - Hourly（逐时室外干球温度）
适用场景
- 建筑节能改造研究: 分析建筑围护结构热通量分布，确定优先改造部件
- 机器学习模型应用: 验证XGBoost和Deep MLP在建筑热性能预测中的效果
- 建筑能耗模拟优化: 结合EnergyPlus模拟数据，提升建筑能耗预测效率
- 建筑环境与热舒适分析: 研究建筑室内外环境参数对热舒适的影响
