对建筑内实际在室人数进行准确预测有助于优化暖通空调系统运行控制策略和提升能源使用效率。现有的在室人数预测研究中,基于室内二氧化碳浓度变化的预测方法由于具有非侵入性和经济成本较低等特点而受到了广泛关注。为提高在室人数预测模型的计算效率及预测性能,通常需从原始二氧化碳浓度中提取出能反映在室人数信息的有效特征作为模型输入。然而,现有相关研究中提取的特征主要为一阶差分等反映在室人数变化的时域特征,忽略了频域特征参数对模型的影响,导致输入参数缺乏由于在室人数变化而带来的瞬态变化（如频率变化）信息,从而限制了模型预测性能。针对此,本文提出模型输入特征应当同时考虑时域信息和频域信息,在此基础上建立一种基于小波分解提取当前时刻二氧化碳浓度时频特征的在室人数预测模型,并以在室人数研究中常用的支持向量机和随机森林两种机器学习算法为例展开研究,对比了模型的预测结果以及不同小波基函数和分解层数对预测结果的影响。此外,考虑到二氧化碳浓度变化与在室人数变化之间往往存在一定的滞后性,对室内二氧化碳浓度干扰因素相对较少的场景（如小型办公室等）而言,相较于当前时刻二氧化碳浓度时频特征,未来某一时刻时频特征与当前时刻在室人数的关联性可能更强,故本文针对该类场景进一步提出一种基于未来时刻二氧化碳浓度时频特征的在室人数预测方法。该方法首先基于历史及当前二氧化碳浓度时频特征并采用支持向量回归机对未来时频特征进行预测,然后以预测所得的未来时刻时频特征作为输入特征并采用支持向量机建立在室人数预测模型。本文基于湖南某高校一多人办公室的实测数据对所建模型进行了验证,并将所建模型与基于时域特征的传统模型预测结果进行了对比分析。主要结论如下:（1）相较于采用传统特征的模型而言,采用当前时刻二氧化碳浓度时频特征进行在室人数预测可进一步提升模型的预测性能。其中,对支持向量机而言,该模型可较好地预测在室人数变化,缩短预测在室人数变化与实际在室人数变化之间的延迟时间,其预测准确率最高提升幅度为6.53%;对随机森林模型而言,该模型可减少冗余波动,其预测准确率最高可提升4.45%;（2）基于当前时刻二氧化碳浓度时频特征建立在室人数预测模型时,采用不同基函数的模拟结果存在一定差异性,但不同基函数下模拟结果的整体变化趋势一致,均呈现先上升后下降的趋势。在本文案例中,采用基函数sym4的预测精度高于采用基函数DB4和DB5的精度。（3）采用支持向量回归机可实现对未来时刻的二氧化碳浓度时频特征的准确预测,且在一定程度上能够减少原数据中噪音信息,预测所得的二氧化碳浓度曲线较实际曲线更为平滑。此外,时间步长的选择会影响未来时频特征的预测结果,随着时间步长的增加,预测误差呈上升趋势。对本文案例而言,当预测时间步长为10分钟时,未来时刻二氧化碳浓度时频特征的预测误差最低,其平均绝对百分比误差、希尔不等系数和均方根误差分别为1.46%、0.010和15.19。（4）本文所建基于未来时刻二氧化碳浓度时频特征的在室人数预测模型可较为及时地捕捉在室人数变化情况,降低人数预测的延迟性;同时该模型在一定程度上减缓了预测的冗余波动情况。与传统模型相比,该模型预测准确率提升了17.78%,平均绝对误差降低了46.34%。