区划阶段预测城市社区月度能耗：城市规划早期决策中观尺度建筑模型新框架

       城市是能源消耗的主体，但在区划（Zoning）这一决定未来发展的早期规划阶段，决策者往往缺乏有效的能耗估算工具，这是因为现有的高精度模型大多依赖于该阶段尚无法获取的详细建筑属性。本研究提出了一种由机器学习驱动的中观尺度（Mesoscale）城市建筑能耗建模框架，仅利用区划阶段可获取的数据（如土地利用区划、人口分布和气象数据），即可精准预测不同终端用能部门的月度电力和天然气消耗。以纽约市为案例的应用表明，该框架在数据效率与预测准确性上表现优异，为城市规划者提供了一种可扩展的政策支持工具，有助于在早期区划阶段整合能源与气候适应考量。

图1. 区划阶段中观尺度社区月度建筑能耗建模框架与流程 
       城市消耗了全球三分之二以上的能源，其中建筑能耗更是占据主导地位。在城市区划和早期设计阶段做出的决定，往往会在很大程度上决定未来数十年的开发强度、土地利用混合度以及城市形态，从而深刻影响社区能源需求的规模与空间分布。然而，现有的自下而上模型通常需要详细的建筑物理参数与使用行为数据，而自上而下的宏观模型又缺乏指导社区尺度干预所需的空间精细度和季节变化特征。 
  

图2. 纽约市2019年主要区划类别空间分布 
      为了弥补这一空白，本研究开发了一种中观尺度的城市建筑能耗建模（Urban Building Energy Modeling）框架。该框架利用随机森林（Random Forest）和极端梯度提升（Extreme Gradient Boosting）两种机器学习算法，并结合纽约市在邮政编码（ZIP Code）级别的区划分类、日间与夜间人口结构以及气象等公开数据，对社区级别多个部门（住宅、商业、总计）的月度电力和天然气消耗进行了预测。此外，研究还应用了置换特征重要性（Permutation Feature Importance）方法筛选出前10个最关键变量，构建了缩减特征模型以评估其性能 。 
   

图3. 全特征模型与精简特征模型在不同算法和月度下的预测性能比较 
      本研究的核心发现包括：

1. 证实了区划阶段数据的高预测潜力：多部门能源需求可以在月度分辨率下进行可靠建模。模型在预测特定类别的能源消耗时表现出色，最优算法在大多数用能部门中的R²值接近或超过0.9。该框架在仅使用规划区划阶段协变量的情况下，性能超越了近期许多依赖建筑形态学的模型。 
 2. 揭示了关键预测特征的部门异质性：不同能源类型的影响因素截然不同。区划特征（如纽约市的R10、R3-2住宅区或C5-2.5商业区划）是电力消耗预测中最具影响力的变量；而天气（最高/最低气温）和人口动态则是天然气需求的主要驱动力。 
 3. 特征选择优化了模型部署：通过置换特征重要性筛选出的10个最重要变量进行精简特征建模后，模型依然保持了极高的预测精度。这大幅降低了规划实践中的数据与计算壁垒，提升了模型在不同城市间的可迁移性。此外，研究通过跨年度数据验证，R²区间为0.758至0.905，进一步证实了框架的时间稳定性与泛化能力。 
        研究结果为城市规划提供了基于证据的行动指南。由于区划类别体现了复杂的法规与建筑形态组合，它们能有效作为预测能源消耗的代理变量。通过本框架，规划者可以在区划阶段进行跨月度方案评估，提前识别出特定能源类型需求较高的脆弱社区，从而更具针对性地优先推进电气化、区域供暖或社区节能改造等干预措施，避免被动等待后期建筑设计阶段的数据约束。 
       上海市城市设计与城市科学重点实验室（LOUD）科研助理、纽约大学坦登工程学院博士生林齐表示：“这项研究的起点很朴素：在区划阶段，许多建筑层面的细节信息尚不可得，但规划决策往往已经在很大程度上‘锁定’了社区未来的能耗轨迹。围绕这一现实约束，我们尝试把能耗评估前置到早期决策：从整合区划、人口、气象等多源数据入手，构建中观尺度的月度能耗预测框架，并通过机器学习建模与特征筛选，在信息受限的条件下尽可能提升预测的稳定性与可解释性。更重要的是，我们希望把模型输出转化为规划讨论中可直接使用的证据——当规划者比较不同区划与开发强度方案时，能够同步识别潜在的月度能源风险，并提前探索低碳优化方向。对我而言，这项研究不仅加深了对区划法规与能源需求之间关系的理解，也让我更确信中观尺度方法可以成为连接‘规划语言’与‘能源绩效’的桥梁。未来，我们也期待在不同城市与不同规划语境中进一步验证和迭代这一框架，推动其从学术探索走向更可操作的规划实践。” 
       本研究 “A novel framework for modeling monthly building energy consumption at the mesoscale community level during the zoning phase”发表在国际知名学术期刊Energy and Buildings上。本研究得到了上海市自然与健康基金会、浦东明珠计划领军项目、上海高校特聘教授（东方学者）计划、海外高层次青年人才引进项目、温斯顿基金会（Winston Foundation）以及上海市教育委员会（人工智能驱动的研究范式改革与学科赋能重点项目）等多方支持。 
 文章引用 Lin, Q., & Guan, C. (2026). A novel framework for modeling monthly building energy consumption at the mesoscale community level during the zoning phase. Energy and Buildings, 358, 117237. https://doi.org/10.1016/j.enbuild.2026.117237