当前,我国冬季供暖能耗在社会总能耗中占比较大,供热节能势在必行。对供暖负荷的准确预测可以帮助运维人员提前掌握建筑的用能需求,进行精准调控,从而避免不必要的能源浪费。随着计量装置的普及以及人工智能技术的发展,机器学习技术在建筑物能耗预测方面得到了快速发展。本文以寒冷地区某住宅建筑为例,使用树模型与神经网络模型对供暖负荷进行短期预测与超短期预测,研究了两类在供暖负荷预测中的应用效果。本文首先利用相关性分析法初步筛选影响因子,考虑到建筑物的热惰性,室外变量历史时刻值的影响也被考虑在内。然后利用主成分分析法处理所得的影响因子,获得模型输入参数。最终将所得输入参数输入树模型与神经网络模型。针对树模型,本文使用了DT模型、GBDT模型和XGBoost模型对供暖负荷进行预测。研究发现,XGBoost模型在短期负荷预测与超短期负荷均优于DT模型与GBDT模型。针对神经网络模型,本文使用了LSTM模型及其变体（Dropout-LSTM模型、Bidirection-LSTM模型）和TCN模型对供暖负荷进行预测。研究发现,在短期预测中,加入双向神经网络机制的Bidirectional-LSTM模型对短期负荷预测效果最佳。在超短期预测中,加入双向神经网络机制的Bidirectional-LSTM模型对超短期负荷预测效果最佳,RMSE较LSTM模型下降了22.1%。TCN模型对超短期供暖负荷的预测达到了预期,可以与LSTM模型相媲美,证明了卷积神经网络可用于供暖负荷的预测。综合各方面因素,进行样本量较少、短时间内变化相对平稳的短期供暖负荷预测时,推荐使用XGBoost模型;进行样本量较大、短时间内负荷剧烈变化的超短期供暖负荷预测时,推荐使用Bidirectional-LSTM模型和TCN模型。