住户在室行为和用能行为是影响住宅建筑能耗的主要因素之一,对其进行准确预测可进一步提升建筑能耗模拟性能。现有住户在室行为及用能行为预测模型缺乏对住户差异性的合理考虑,导致模型往往存在整体预测精度不高和适用性受限等问题。同时,现有研究在对住户用能行为进行预测时,未能充分考虑不同行为之间关联,导致预测结果往往与实际情况严重不符。为解决上述问题,本文针对住户在室行为及用能行为分别提出考虑住户差异性的预测模型以实现对其合理预测。就住户在室行为预测而言,本文首先通过Spearman相关性分析确定不同影响因素（即特征参数）与住户人员总在室时长的相关性,并将其作为特征参数权值并结合聚类分析对样本群体进行分类,在此基础上,采用马尔可夫链模型对住户在室行为进行预测。就住户用能行为预测而言,采用二次聚类方法以识别不同住户整体以及各类用能行为的典型模式。在此基础上,采用CART分类决策树学习住户特征与所识别的典型行为模式之间的关联。该模型被进一步用于为未知新住户分配具有相似特征的行为模式标签。最后,针对不同用能行为模式类别,分别建立马尔可夫链模型对各类用能行为进行预测。此外,建立了考虑不同行为关联性的组合判定方法,进而实现对住户整体行为的预测。为验证所建模型的有效性,本文基于英国TUS数据库对住户在室状态及九种用能行为分别进行预测研究,并将所建模型与基于传统思路的马尔可夫链模型进行对比分析。本文的主要结论如下:（1）住户特征差异与人员在室状态具有较强关联,因此在研究住户人员在室状态时应对不同住户特征与在室状态进行相关性分析。就本文所采用的数据库而言,其中相关性较强的影响因素包括人员的工作状态、收入情况、年龄和身份信息。（2）本研究综合考虑了住户差异性对在室行为的影响,通过合理区分不同建筑住户特征以识别相应的典型在室模式。与传统马尔可夫链模型相比,本文所提出的在室行为预测模型的整体预测精度显著提升,该模型可根据住户特征参数有效判别人员所属类别,获得更加合理的模型输入参数,预测结果更符合实际,模型预测误差MAE和RMSE分别减少了20.57%和15.35%。（3）本文所采用的二次聚类方法能够对住户整体用能行为特征以及九种用能行为的详细特征（如不同状态的发生时长、出现概率以及峰值时段）进行有效识别,从而较为准确地获得具有相似整体用能行为规律的住户群体,并进一步区分各类用能行为发生变化特征的差异性,最终获取相应的典型行为模式。基于CART决策树模型能够较好地辨识住户特征与各类用能行为模式的关联,并给出可解释性的决策规则。本研究中外出、睡眠、洗碗、洗衣、电脑、音频设备等行为与住户特征间具有较强关联,其类别标签识别精度均在80%以上。（4）本文所提出的用能行为预测模型能较好地刻画整体用能行为概率分布,且较为准确地捕捉到峰值出现的时段。相较于传统模型,模型预测误差MAE和RMSE分别减少了24.17%和22.97%。此外,与传统模型相比,除洗碗及洗衣两种行为的预测精度基本相同外,本文所建模型对其余行为的预测精度均有所提升,其中外出行为预测精度的提升幅度最大,达9.2%。