建筑用户在室行为是影响建筑能耗的关键因素之一,对其进行准确预测有助于建筑系统运行优化控制和建筑性能评估。本文首先对现有建筑用户在室行为测量方法及预测模型进行了回顾,并对不同预测模型的优缺点进行了总结和比较。现有在室行为预测方法主要在测量室内环境参数的基础上,采用传统机器学习的方法对在室行为进行预测。该类方法可自动从数据中挖掘环境参数与在室行为之间的关联,但其难以从环境参数中提取出反映在室行为变化的有效特征,且容易忽略在室行为动态变化特性,从而限制了在室行为预测性能。针对此,本文提出了两种新模型分别对在室状态和在室人数进行实时预测。就在室状态预测而言,本文基于环境参数,开发了一种基于状态转移的不均匀隐马尔可夫模型（TIHMM）,采用某办公室在室行为数据对所建模型进行了验证,并通过与传统隐马尔可夫模型（HMM）对比以评估所建在室状态预测模型有效性。就在室人数预测而言,本文基于CO₂浓度参数,开发了一种结合小波去噪和深度学习方法的新模型,采用某多人办公室实测数据对所建在室人数预测模型进行了验证,并通过与支持向量机（SVM）、分类和回归树（CART）、不均匀隐马尔可夫（IHMM）模型预测结果进行对比以评估所建模型有效性。本文的主要研究成果和结论如下:（1）本文所建的TIHMM的预测性能优于IHMM和HMM。采用TIHMM的在室状态预测结果更加接近实际的在室状态变化曲线。此外,在模型整体预测精度、“在室”预测精度和“离开”预测精度这三种检验指标下,采用TIHMM的预测效果均为最优。就模型整体预测精度而言,TIHMM的精度为98.1%,IHMM和HMM的精度分别为95.4%和94.3%。（2）小波去噪可有效去除噪音并同时保留原始CO₂数据变化特征。相对于采用原始CO₂数据的深度森林模型,采用小波去噪-深度森林模型的预测结果更加接近实际的在室状态变化曲线。本文所采用的模型性能评估指标包括分类预测精度、平均绝对误差和在室/离开预测精度。结果表明,三种检验指标下,采用小波去噪后模型的预测效果均为最优。就分类预测精度而言,采用小波去噪后的精度可提高3.5%。（3）本文所建小波去噪-深度森林模型优于IHMM、CART和SVM。该模型可有效捕捉到在室人数的动态变化,尤其是最先到达时间和最后离开时间。此外,四种模型中,小波去噪-深度森林模型的分类精度、在室/离开预测精度均为最高且平均绝对误差为最小。就分类精度而言,小波去噪-深度森林的精度为82.5%,CART、SVM和IHMM的精度分别为75.7%、74.9%和73.9%。在本文研究基础上,未来应进一步开发多人多区域的在室行为模型,以获取在室人数分布和用户位置等更全面的在室行为相关信息,并将其有效耦合应用于建筑设备运行控制系统中和建筑能耗模拟软件中。