随着能源问题与环境问题的日益凸显,可持续发展已成为一种趋势。在世界范围内,建筑能耗与交通、工业能耗并驾齐驱,占全球能源消费总量的近三分之一,且有逐年上升的趋势。建筑能耗粗放管理使得我国建筑节能存在巨大潜力,而建筑能耗的预测与分析是建筑节能工作中的重要部分。本文以上海市多栋公共建筑为依托,对基于机器学习方法的公共建筑能耗预测建模方法与流程进行了总结分析,并对比了K近邻、支持向量机、人工神经网络与随机森林四种建模方法在不同建筑、不同季节的能耗预测结果。建模过程可以分为数据采集与整理、数据分析与预处理、训练集与测试集的划分、模型输入变量的筛选与优化、模型参数的选择、模型训练与结果输入以及模型的评价与验证等七个步骤。对模型训练集的测试发现,不同建模方法所需的最小训练样本量有所不同,但总体而言,对商场建筑能耗的合理预测需要至少1至2周的历史数据用于训练。在模型的敏感性分析过程中,发现参数对模型性能影响明显。以支持向量回归模型中的惩罚因子为例,仅改变该参数,可使模型误差从23.7%降低至8.3%。此外,时间输入对模型性能的影响也较为明显。对多栋不同定位的商场建筑能耗对比分析表明,当历史能耗数据不作为输入变量时,基于K近邻法建立的模型通常能有较好的预测结果。而加入前一小时能耗作为模型输入,可以显著降低建筑能耗预测的平均绝对百分比误差,最高可减小7%。支持向量回归模型更适用于较短期的能耗预测,其一周能耗预测误差可低至2.6%;而人工神经网络模型在较长期的能耗预测中更有优势,两个月逐时能耗预测的平均绝对百分比误差可低至2.7%。同时,建筑能耗预测的精度也会受到季节以及建筑本身能耗曲线特性的影响。此外,本文提出遗传算法与人工神经网络算法相结合的方法,优化了人工神经网络模型内的各项参数,使得建筑能耗预测精度有了进一步的提高。以上海某办公建筑为例,优化后的模型使得日逐时能耗预测误差从5.1%降低至4.8%,月整体预测误差从7.7%降低至6.8%。