室内人员开窗行为作为典型人行为之一,对室内空气品质、室内热舒适性及建筑能耗有着显著的影响。近年来,越来越多的研究使用基于环境因素的随机和非随机的模型来模拟室内人员开窗行为。其中,大多数模型所使用的算法是逻辑回归和马尔科夫算法,但预测准确率较低;使用机器学习的算法来建模的研究较少,准确率较前两种算法有明显提高。然而现有使用机器学习算法的模型需要大量数据来训练模型已得到较高预测准确率,而目前国内研究所数据收集很难达到训练数据量的要求。进一步,现有研究所得的准确率都是根据各文章实测数据获得,缺少横向预测准确率对比,难以客观评价某一种算法的预测性能。此外,大多数关于室内人员开窗行为已发表的研究成果是在欧洲国家进行,其中很少有研究考虑到室外空气质量对这一行为的影响,而近年来中国开窗行为受到室外空气质量的影响,在相关研究中应考虑进这一因素。预测室内人员开窗行为,需要预测准确率高且适用于目前样本量的算法。因此,本文引入了更适合小样本量的支持向量机算法对开窗行为建模。此外,本文还选择二元逻辑回归算法,离散型马尔科夫链算法,神经网络算法分别建模,使用相同实测数据运行,以此横向对比和评价各算法的预测性能。而且,建模过程中加入PM_2.5浓度作为自变量,来分析这一变量对国内办公建筑开窗行为的影响。本次研究监测了北京某高校办公建筑中5个房间在过渡季节的室内外温度、室外相对湿度、风速、风向、日照时长、PM_2.5浓度、室内人员在室情况以及窗户状态共9个物理量,使用四种不同算法分别建立了开窗模型。研究结果表明,与其他三种模型相比,基于支持向量机算法的开窗行为预测模型具有较高的准确度和更高的相关因子解释性。四种算法模型均是在6种影响因素下得到过渡季节最高开窗率预测准确率。其中,逻辑回归模型最高准确率为53.6%,马尔科夫模型最高准确率为57.9%,BP神经网络模型最高准确率为79.5%,支持向量机模型最高准确率为83.6%。在分析过程中还发现BP神经网络关于开窗行为建模且自变量在6维或6维以下时,训练数据量不应少于2880条,否则模型的稳定性就会出现明显波动;此外,将PM_2.5浓度考虑进模型中,可以明显提高各个模型预测准确率。因此,在中国环境下研究开窗行为应充分考虑PM_2.5浓度的作用。同时,希望本文所提出的算法能为本专业工程师和设备调试人员提供一种更新且准确的方法,以便更好地了解室内人员开窗行为及其对办公建筑能源使用的影响。