居住者行为是影响建筑能耗的重要因素,也是带来能耗模拟及预测不确定性的主要来源。居住者的能耗行为实为其物理、生理、心理需求的体现。现阶段,如何以人为本地寻求建筑节能与人体热舒适间的平衡是建筑节能事业的研究重心。随着大数据与云平台的飞速发展,充分认识居住者行为动机、模式及规律逐渐成为可能。依托于智慧家居管理平台,运用先进的数据挖掘技术,能够有效克服行为研究的局限性,解决人行为的随机性、复杂性问题,以人为本地引导建筑节能落地,为建筑设备系统的智能化管控、个性化服务奠定基础,无论是对建筑节能事业的发展,还是对人居环境的改善都具有重要意义。本研究基于住宅建筑的智慧家居管理平台,运用多种数据挖掘技术、机器学习算法,以实际工程案例为基础,针对居住者空调供暖、供冷调节行为的动机、模式及规律,展开如下研究:首先,本研究提出了一套具有普适性的数据预处理技术体系,运用K-Means、KNN、改进的滑动平均等多种数据挖掘技术,系统性、分门别类地解决了大数据平台中不同情况的数据缺失、数据异常等问题,有效实现了数据清理、数据集成、数据转换和数据规约的过程。对提高数据质量、保障数据挖掘质量及效率具有重要意义。其次,本研究从多角度提出了居住者空调调节行为的影响因素;运用二元逻辑回归、非参数秩和检验、卡方检验方法,对行为与因素间的相关性进行了检验;进一步运用二元逻辑回归、多元逻辑回归方法,挖掘出居住者行为的主要驱动因素;并从模型拟合优度、拟合效果等角度验证了模型的有效性,形成对居住者行为动机的认识。然后,本研究提出了时间条件、室外环境、室内环境和空调设定4种行为模式;运用K-Means聚类分析方法,辨识出居住者行为模式的典型类别;运用FPgrowth关联规则分析方法,挖掘出各房间居住者在不同室外环境及时间条件下的空调使用习惯,以及不同室外环境、温度设定水平下营造的室内环境。逐个房间分析了居住者行为习惯、热舒适偏好、系统的运行情况,提出了更切合实际的能耗管控策略。最后,本研究分别运用随机森林、BP神经网络、支持向量机3种机器学习算法,对4种居住者空调调节行为进行逐个房间的建模,以实现行为的实时预测;通过对模型进行验证与评价,筛选出能够实时、精准预测居住者行为的最佳模型,平均运算时间在30s内,供暖开关、供冷开关及温度调节行为模型的平均预测准确率均在95%以上,供暖温度调节模型的平均绝对百分比误差均值仅为1.00%,为智慧家居设备系统的智能化决策、个性化定制服务奠定基础。