随着我国经济发展水平的提高,人们对于室内空气品质和热舒适的要求越来越高,大量的能源被用来营造热舒适的室内环境,在住宅建筑中,分体式空调被频繁的用来调节室内热湿环境,以满足住户的热舒适需求,分体式空调的能耗和使用方式受住户行为的直接影响。本研究对我国8个城市,共计34个住宅的室内空气温度、相对湿度、CO2浓度、PM2.5浓度和空调使用情况进行了连续在线监测,同时获取了相应的室外温湿度数据。这些住宅分布在中国寒冷、夏热冬冷和夏热冬暖三个气候区。对数据的统计学分析表明,三个气候区住户日均空调使用时长的平均值在7 h～10 h之间;日均空调使用能耗的平均值在2.78 k Wh～3.00 k Wh之间。不同住户之间时长和能耗存在着很大差异,其中最大差异值发生在夏热冬暖地区。三个气候区住户的空调使用行为具有相似性,每天开启空调次数以1～2次为主,使用时间集中在午休和夜间,均倾向于在睡眠期间保持空调持续运行。从差异性上来看,寒冷地区空调运行时的室内温度范围明显低于其他两个地区,夏热冬冷地区工作日和周末的住户行为差异小于其他两个地区。此外,本研究将采集的数据进行了统一时间戳的处理,然后使用机器学习领域中的人工神经网络算法（Artificial neutral network,ANN）和梯度提升树算法（Gradient boosting decision tree,GBDT）对住宅建筑中人开关空调行为进行建模,模型可以根据输入的环境参数（室内外温湿度、CO2浓度等）预测空调的运行状态,并且比较了输入特征参数对模型预测准确率的影响。结果表明,基于上述两种算法建立的模型预测准确率均好于逻辑回归模型。对于不同的数据集,输入特征参数对模型的影响也不相同,增加输入特征参数可以提高模型的预测准确率。基于上述两种算法建立的模型对输入特征参数数量的依赖性低于逻辑回归模型,在有限输入特征参数下依然可以实现较高的预测准确率。对一个典型卧室分体式空调的能耗模拟结果表明,本研究中提出的开关空调行为预测模型可以用于提升建筑能耗模拟的准确性。