Cooling Load Prediction in Residential Buildings: Machine Learning Approaches and Comparative Analysis
Notice bibliographique
Résumé
Accurate estimation of Cooling Loads (CLs) in Residential Buildings (RBs) is crucial for ensuring energy-efficient HVAC system design and maintaining indoor comfort. This research explores advanced Machine Learning (ML) approaches to forecast cooling demand by considering critical factors such as building envelope characteristics, solar exposure, and internal heat sources. A novel ensemble framework, Voting Regression (VR), is proposed and further enhanced through integration with two recently developed metaheuristic optimization algorithms: Weevil Damage Optimization (WDO) and Dandelion Sowing Optimization (DSO). These optimizers are applied to fine-tune model hyperparameters, thereby improving predictive accuracy and robustness. Among the evaluated models, the hybrid VR-WDO (Voting Regression + WDO) achieved the most outstanding performance, recording an R² of 0.988 and RMSE of 1.034 on the training dataset, and an R² of 0.983 with RMSE of 1.209 on the test dataset. In comparison, the CatBoost Regression (CATR) model yielded the weakest performance across the evaluation metrics, highlighting the superiority of the proposed hybrid approach. The novelty of this study lies in integrating emerging metaheuristic algorithms with ensemble learning to establish a high-accuracy, interpretable framework for residential Cooling Load Prediction (CLP). By combining ensemble methods with optimization-driven parameter tuning, the proposed approach addresses limitations in conventional models and offers practical insights for energy-efficient building design. The results demonstrate that the developed hybrid framework provides a reliable decision-support tool for engineers, architects, and urban planners seeking to enhance energy planning and optimize HVAC system performance in residential environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».