技术领域
[0001] 本
发明属于新
能源及节能技术领域，为一种商业建筑逐时人员密度预测方法，适用于城 市尺度及
单体层面的建筑节能，建筑防火设计等具体方面。
背景技术
[0002] 为了应对目前面临的能源短缺与环境恶化问题，多国政府陆续建立了节能减排这一宏观 目标。为了实现节能减排这一宏伟目标，相关学者需要进一步发展能耗模拟预测技术，以此 为政府制定高效的节能政策提供科学依据。
[0003] 城市建筑能耗是城市能耗的主要构成部分，可占到社会总能耗的30-40％。而其中，商业 建筑能耗又是建筑能耗的高密度领域。由于在商业建筑中，大量的建筑内区增加了照明能耗， 高密度的室内
散热增加了
空调负荷，商业建筑的单位面积能耗约可达到住宅的10-20倍，实 属巨大。因此，对商业建筑进行合理、准确的能耗模拟预测，以指导商业建筑的运行管理策 略，对于社会节能减排工作具有重要影响。
[0004] 关于建筑单体的能耗模拟技术已发展的相对成熟。近年来，又新兴了一种“
自下而上” 的城市能耗模拟方法——城市建筑能耗模型法。事实上，无论是单体层面的，还是城市尺度 的建筑能耗模拟，都依赖相关模拟参数的准确输入。美国的Reinhart教授指出，不精确的参 数输入会导致不精确的模拟结果，进而造成建筑设计、能源改造、低
碳城市建立等方面的决 策失误。而在这些参数中，人员密度又是一个特别重要的参数。美国学者D’Oca指出，对人 员密度的深入理解，可以大大降低预测能耗与实际能耗之间的误差，进而提高能耗预测的准 确性。在实际生活中，每幢建筑的人员密度模型都具有差异性与动态性。但是，大部分的能 耗模拟研究都将同类型建筑的人员密度变化处理为一个固定的变化表，如：对大型办公建筑 进行能耗模拟时，统一使用大型办公建筑人员密度变化表作为输入参数。不可否认，即使是 同类型的建筑，其人员密度变化也是不尽相同的，还受到地理限制与人口密度等参数的影响。 这些影响尤其体现在商业建筑上，诸如：交通便利、附近人口密集的商场，人员密度将比一 般性商场更大。因此，固定的人员密度变化时间表是不能满足现如今越来越高的模拟
精度要 求的。本发明将提出一套完整的理论方法，利用
大数据快速且准确的建立商业建筑逐时人员 密度模型，以提高建筑单体及城市尺度上的能耗模拟预测的准确性。
[0005] 另外，针对商业建筑人员密集的特点，该发明也可以进行有效的拓展，为商业建筑防火 设计提供一定的技术支持。建筑内人员安全疏散系统的设计是建筑防火设计的一个重要环节。 其中，建筑人员密度是安全疏散系统设计的关键参数。依据本发明的人员密度预测，可以良 好地服务于安全疏散系统设计。
发明内容
[0006] 本发明要解决的问题是：现有的基于固定人员密度变化表的能耗模拟准确度不高，无法 更好的推广于建筑优化设计以及节能政策的制定，需要一种更为准确的动态人员密度模型， 为能耗模拟研究提供更好的技术支持。同时，解决商业建筑人员安全疏散系统设计需求。
[0007] 本发明的一种商业建筑逐时人员密度预测方法，包括以下步骤：
[0008] 步骤一：确定商业建筑具体类型；
[0009] 步骤二：获取典型商业建筑实际人员密度；
[0010] 步骤三：建立人员密度模型。
[0011] 其中，步骤一：确定商业建筑具体类型；
[0012] 依据《商店建筑设计规范(JGJ48-2014)》，商业建筑分为购物中心，超级市场，专业店 等(具体解释见表1)。由于具体类型的商业建筑人员密度模型各不相同，不可统一建立商业 建筑这一大类人员密度模型，而应分类建立各具体类型商业建筑的人员密度模型。
[0013] 表1.商业建筑分类说明
[0014]
[0015] 其中，步骤二：获取典型商业建筑实际人员密度；
[0016] 每一幢商业建筑都有多个出入口，在每个出入口布置调研人员，得到商业建筑各个出入 口的逐时进、出人数，求出第i个小时的人员密度di为：
[0017]
[0018] 其中,S表示建筑面积，m2；mi表示第i个小时内所有出入口的进入人数；ni表示第i个 小时内所有出入口的外出人数。
[0019] 其中，步骤三：建立人员密度模型；
[0020] 各具体类型商业建筑的人员密度模型通常与其营业性质有关。购物中心营业时间多为 10:00-22:00；超级市场营业时间一般为8:00-22:00；专业店，如：家具店，电器城等，其营业 时间通常不固定，有的营业至下午18点或19点，有的营业至夜晚21点或22点。
[0021] 通过试验，发现正态分布函数的
叠加对模型的拟合效果最好。其中，购物中心类建筑表 征为2个正态分布函数的叠加，呈现“双峰态”，数学模型如式(2)；超级市场类建筑表征为 3个正态分布函数的叠加，呈现“三峰态”，数学模型如式(3)；专业店类建筑表征为2个或 3个函数的叠加，呈现“双峰态”或“三峰态”，数学模型如式(4)。具体取决于其营业截至 时间是否超过19点。三类建筑人员密度的数学模型如式(2)-(4)所示：
[0022]
[0023]
[0024]
[0025] 对于式(4)中的p有如下解释：
[0026]
[0027] 其中，a1,b1,c1表示第一、二、三个峰值人员密度；a2,b2,c2表示到达第一、二、三个峰 值人员密度的时间；a3,b3,c3表示正态分布函数的倾斜程度，数值越小，越倾斜。a1,b1,c1与 Tr或Po呈强相关性，用线性函数表示；a2,b2,c2与Tr、Po的相关性不强，用各自的平均值表 示；a3,b3,c3具有数学含义，与Tr、Po不直接相关，而与a1,b1,c1直接相关；其中，a3与a1呈二次函数关系，b3与b1呈二次函数关系，c3与c1呈二次函数关系。
[0028] 为了使模型简化且具有一般性特征，用城市因子交通可达性Tr和人口等级Po替换参数 a1,a2,a3,b1,b2,b3,c1,c2,c3，即:
[0029] (a1，a2，a3，b1，b2，b3，c1，c2，c3)～f(Tr，Po) (6)
[0030] 交通可达性Tr的获取基于私人交通可达性与公共交通可达性，如式(7)所示：
[0031] Tr＝0.5×Spri+0.5×Spub (7)
[0032] 其中，假定人们出行选择私人交通与公共交通的概率相同。Spri表示私家车沿着城市路网， 以500m/min的速度，行驶30min所
覆盖的服务范围；Spub表示公交车与地
铁分别沿着公交、 地铁线路，行驶30min所覆盖的服务范围；公交车速度为500m/min，地铁速度具体参考《2019 南京地铁首末班时间一览表》。
[0033] 人口等级Po的建立基于百度人口热
力图数据。人口热力度不同于人口实际数量，它反映 的是人口数量的相对大小，与实际值不相等但正相关。人口热力度每小时刷新一次，通过数 值逐时叠加，分别得到工作日、周末全天的人口热力度。
[0034] 本发明具有以下优点：
[0035] 1.本发明构建的商业建筑人员密度模型仅与交通可达性与人口等级有关，模型简洁，不 冗杂，可以被良好地复制于多个城市的应用之中。
[0036] 2.由于交通可达性与人口等级是城市尺度的影响因子，可以覆盖整个城市。因此，本发 明可以拓展到整个城市的商业建筑人员密度模型建立，覆盖面广，使海量商业建筑人员密度 模型的快速建立成为可能，大大减少了人们逐一建模的工作量。
[0037] 3.本发明构建的商业建筑人员密度模型既确保了人员密度变化地动态性，也确保了同一 类型商业建筑间的差异性，大大提高了模型的准确性，进而提高能耗模拟的精度。使得相关 节能政策的制定更为合理。
[0038] 本发明提供的逐时人员密度预测还可服务于建筑内人员安全疏散系统的设计。
附图说明
[0040] 图2为商业建筑出入口分布(样例)；
[0041] 图3(a)为购物中心商业建筑人员密度函数拟合图形(样例)：；
[0042] 图3(b)为超级市场商业建筑人员密度函数拟合图形(样例)；
[0043] 图3(c)为专业店超级市场商业建筑人员密度函数拟合图形(样例)(营业截至时间晚于19 点)；
[0044] 图3(d)为专业店超级市场商业建筑人员密度函数拟合图形(样例)(营业截至时间早于19 点)；
[0045] 图4(a)为私人交通可达性；
[0046] 图4(b)为公共交通可达性；
[0047] 图5(a)为百度人口热力度图-工作日示例(南京)；
[0048] 图5(b)为百度人口热力度图-周末示例(南京)；
[0049] 图6(a)为样本1建筑逐时人员密度实测及拟合图；
[0050] 图6(b)为样本2建筑逐时人员密度实测及拟合图；
[0051] 图6(c)为样本3建筑逐时人员密度实测及拟合图；
[0052] 图6(d)为样本4建筑逐时人员密度实测及拟合图；
具体实施方式
[0054] 下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说 明本发明而不用于限制本发明的范围。
[0056] 如图1所示的一种商业建筑逐时人员密度预测方法，包括以下步骤：
[0057] 步骤一：确定商业建筑具体类型；
[0058] 步骤二：获取典型商业建筑实际人员密度；
[0059] 步骤三：建立人员密度模型。
[0060] 其中，步骤一：确定商业建筑具体类型；
[0061] 依据《商店建筑设计规范(JGJ48-2014)》，商业建筑分为购物中心，超级市场，专业店 等(具体解释见表1)。由于具体类型的商业建筑人员密度模型各不相同，不可统一建立商业 建筑这一大类人员密度模型，而应分类建立各具体类型商业建筑的人员密度模型。
[0062] 表1.商业建筑分类说明
[0063]
[0064] 其中，步骤二：获取典型商业建筑实际人员密度；
[0065] 每一幢商业建筑都有多个出入口，在每个出入口布置调研人员，得到商业建筑各个出入 口的逐时进、出人数，求出第i个小时的人员密度di为：
[0066]
[0067] 其中,S表示建筑面积，m2；mi表示第i个小时内所有出入口的进入人数；ni表示第i个 小时内所有出入口的外出人数。
[0068] 其中，步骤三：建立人员密度模型；
[0069] 各具体类型商业建筑的人员密度模型通常与其营业性质有关。购物中心营业时间多为 10:00-22:00；超级市场营业时间一般为8:00-22:00；专业店，如：家具店，电器城等，其营业 时间通常不固定，有的营业至下午18点或19点，有的营业至夜晚21点或22点。
[0070] 通过试验，发现正态分布函数的叠加对模型的拟合效果最好。其中，购物中心类建筑表 征为2个正态分布函数的叠加，呈现“双峰态”；超级市场类建筑表征为3个正态分布函数的 叠加，呈现“三峰态”；专业店类建筑表征为2个或3个函数的叠加，呈现“双峰态”或“三 峰态”，具体取决于其营业截至时间是否超过19点。三类建筑人员密度的数学模型如式(2)-(4) 所示：
[0071]
[0072]
[0073]
[0074] 对于式(4)中的p有如下解释：
[0075]
[0076] 其中，a1,b1,c1表示第一、二、三个峰值人员密度；a2,b2,c2表示到达第一、二、三个峰 值人员密度的时间；a3,b3,c3表示正态分布函数的倾斜程度，数值越小，越倾斜。a1,b1,c1与 Tr或Po呈强相关性，用线性函数表示；a2,b2,c2与Tr、Po的相关性不强，用各自的平均值表 示；a3,b3,c3具有数学含义，与Tr、Po不直接相关，而与a1,b1,c1直接相关；其中，a3与a1呈二次函数关系，b3与b1呈二次函数关系，c3与c1呈二次函数关系。
[0077] 为了使模型简化且具有一般性特征，用城市因子交通可达性Tr和人口等级Po替换参数 a1,a2,a3,b1,b2,b3,c1,c2,c3，即:
[0078] (a1，a2，a3，b1，b2，b3，c1，c2，c3)～f(Tr，Po) (6)
[0079] 交通可达性Tr的获取基于私人交通可达性与公共交通可达性，如式(7)所示：
[0080] Tr＝0.5×Spri+0.5×Spub (7)
[0081] 其中，假定人们出行选择私人交通与公共交通的概率相同。Spri表示私家车沿着城市路网， 以500m/min的速度，行驶30min所覆盖的服务范围；Spub表示公交车与地铁分别沿着公交、 地铁线路，行驶30min所覆盖的服务范围；公交车速度为500m/min，地铁速度具体参考《2019 南京地铁首末班时间一览表》。
[0082] 人口等级Po的建立基于百度人口热力图数据。人口热力度不同于人口实际数量，它反映 的是人口数量的相对大小，与实际值不相等但正相关。人口热力度每小时刷新一次，通过数 值逐时叠加，分别得到工作日、周末全天的人口热力度。
[0083] 实施例2
[0084] 为了使实施例1的方法更为直观和易于理解，以购物中心的人员密度模型建立为例进行 相关说明：
[0085] 1.确定商业建筑具体类型。将购物中心作为本发明的具体说明对象。
[0086] 2.获取典型商业建筑实际人员密度。为了确保调研样本的代表性，选取四幢分布分散， 不处于同一行政区的购物中心，包括大洋百货(弘阳广场店)、景枫(江宁)、森林摩尔、德 基广场，进行实地调研。每幢建筑分别选取工作日、周末一日，在各样本建筑的每个出入口 布置调研人员，逐时记录进、出人数。最后依据统计的建筑面积和式(1)求出逐时人员密度 (见图6)。
[0087] 为了保护一定的隐私性，四幢建筑的人员密度模型不进行详细的对应说明。
[0088] 3.建立人员密度模型。通过2个正态分布函数的叠加来描述购物中心的逐时人员密度模 型(如图6所示)，其中，各模型的参数a1,a2,a3,b1,b2,b3汇总如表1：
[0089] 表1.模型参数a1,a2,a3,b1,b2,b3汇总表
[0090]
[0091] 接着，需用城市因子交通可达性Tr和人口等级Po替换参数a1,a2,a3,b1,b2,b3,c1,c2,c3。 各模型的因子Tr与Po汇总如表2：
[0092] 表2.模型因子Tr，Po汇总表
[0093]样本 交通可达性(m2) 人口等级(工作日) 人口等级(周末)
1 786484627.114840 780 780
2 309047866.150566 855 923
3 782976049.279998 1699 1915
4 659151120.762668 826 861
[0094] 针对四个样本建筑，进行城市因子与模型参数之间的相关性分析，结果汇总如表3，表4：
[0095] 表3.相关性分析(工作日)
[0096]
[0097] 表4.相关性分析(周末)
[0098]
[0099] 由此可见：a1,b1与人口等级Po强相关，a2,b2与城市因子交通可达性Tr和人口等级Po相关性不强。因此，参数a1,b1可用关于人口等级Po表示，参数a2,b2用平均值表示。参数a3, b3仅具有数学意义，不具有物理意义，因此a3,b3与城市因子间不具有相关性。经拟合，a3与a1,b3与b1分别满足二次函数关系。至此，购物中心的逐时人员密度模型如表5所示：
[0100] 表5.购物中心人员密度模型
[0101]
[0102] 4.模型检验。选取某一购物中心(工作日)作为验证样本，依据交通可达性Tr＝ 693213373.323254m2和人口等级Po＝853，其预测模型为：
[0103]
[0104] 通过与实测数据的比较，预测模型的R2可达0.959(如图7)，具有很好的预测效果。
[0105] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上 技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在 不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的 保护范围。
