针对不完整数据,已经发展出很多预处理方法,如删除法和填补法,删除法会造成信息浪费,填补法会带来不确定,因此不完整数据分类成为了研究重点。建筑能耗预测从宏观上分析建筑能耗变化,对建设环境友好型社会具有长远的意义。在建筑能耗预测中,各种数据丢失使传统方法很难适用,不完整数据分类及其在建筑能耗预测中的应用具有重要的研究意义。本文围绕这一问题开展不完整数据分类及其在建筑能耗预测中的应用研究。针对不完整数据分类问题,提出两种不完整数据分类算法,并对算法效果进行验证;在所提算法基础上,应用在建筑能耗预测,验证算法应用的可行性。具体研究内容如下:(1)提出基于D-S证据理论的不完整数据混合分类算法。将聚类与分类算法结合,对完整样本聚类并选择训练集,并根据剩余样本现有属性,构建多个训练集训练相应分类器;在D-S证据理论下将部分样本划分到复合类中,并对复合类中的不完整样本估计、分类、融合得到最终分类结果。该算法能够在有效表征不精确样本并降低误分率。(2)提出基于属性的不完整数据分类算法。将不完整数据集划分得到多个数据子集,每一个数据子集训练一个分类器并计算分类器权重;将属性相似度和属性权重综合对测试集中的缺失值进行估计,利用分类器将测试集分类并融合分类结果。该算法能够有效减少误分率并对基础分类器的选择具有较高的适用性。(3)针对可能的两种建筑能耗数据不完整情况进行模拟,基于以上两种算法,构建相应的建筑能耗预测模型进行预测,通过与其他两种方法的三种指标进行比对分析,得出所提不完整数据分类算法能够有效应用在建筑能耗预测中。