近日，清华大学环境学院王春艳副研究员在微观居民家庭单元水-能耦合机制研究中取得进展，其研究开发了基于混合机器算法的居民家庭小时尺度用水-用能预测模型，在降低输入参数复杂度的同时，大幅提升了家庭用水-用能预测准确性。研究揭示了水-能耦合的“代理”机制，为微观居民家庭单元的资源消费管理提供了重要的理论与工具支撑。

随着人口增长和生活习惯的改变，居民家庭用水、用能量持续上升。预测高时间分辨率的家庭用水、用电量能够加强资源管理、支撑基础设施规划建设、促进资源转型和可持续发展。然而，居民家庭用水-用能行为复杂、数据难以获取、影响因素繁多，现有预测模型需要多种输入数据且准确性较低。研究团队基于北京市海淀区居民家庭的智能监测数据，提出了时间序列模型（Prophet）与深度学习网络（GRU）耦合的混合机器学习算法，揭示了家庭水-能耦合的“代理”机制。

研究整体框架

在居民家庭中存在洗衣、沐浴等同时消耗水和能源行为，致使家庭水与能源的消费密切关联。基于此，该研究在预测模型中将水-能耦合关系作为被预测资源消费特征的“代理”。研究结果表明，“代理”机制使得模型参数复杂性降低了78%，并将预测准确性提高了近40%。研究凸显了在居民家庭单元水、能源管理中考虑水-能耦合关系的重要性，为家庭资源消费研究提供了重要的理论与工具支撑。

相关研究成果于10月10日以“基于混合机器学习算法的小时分辨率居民用水、用电量预测”（Residential water and energy consumption prediction at hourly resolution based on a hybrid machine learning approach）为题发表于国际学术期刊《水研究》（Water Research）。

清华大学环境学院王春艳副研究员为论文第一作者，刘毅教授为论文通讯作者。清华大学环境学院硕士生李宗瀚，斯坦福大学计算机系硕士生倪啸元，微软研究院科学智能中心石文磊研究员、张佳研究员，微软亚洲研究院边江研究员为共同作者。该研究得到国家自然科学基金面上项目等的资助和支持。

王春艳是环境复杂系统变化模拟与评估研究团队成员。研究团队长期致力于发现技术活动和社会行为的环境影响机制与治理策略，运用环境系统分析与评价理论，开展区域/流域、城市/设施、生产/消费等领域复杂系统变化及其生态环境响应与评估，支撑生态环境空间精细管控、流域水环境精准治理、经济-环境综合决策等管理实践。