建立合理的建筑在室人数预测模型对提高建筑设备系统运行控制和降低建筑能耗具有重要意义。现有研究在对在室人数进行预测方面主要采用的是隐马尔可夫方法,通过特征选择确定模型输入参数,并假设不同在室状态下环境参数值均服从高斯分布。考虑到在室人数变化的随机性,上述假设与实际并不相符,且现有特征选择方法也存在一定局限性,严重限制了模型预测性能的提升。针对此,本文首先提出过滤-封装法对环境参数进行特征选择,确定合适的模型输入参数;在此基础上将隐马尔可夫方法与机器学习领域中的随机森林方法相结合,建立隐马尔可夫-随机森林模型对在室人数进行实时预测,随机森林可从数据中直接寻找在室人数与环境参数之间的关联性,从而克服了高斯分布假设的局限性。为验证所建模型(隐马尔可夫-随机森林模型)的可行性,本研究将其应用于湖南大学某办公房间,并与传统隐马尔可夫模型、分类与回归树模型、支持向量机模型以及人工神经网络模型的预测结果进行比较,最后进一步对模型影响因素进行了深入分析。本文主要结果和相应结论如下:(1)与现有过滤法和封装法相比,采用本文所建过滤-封装法后的在室人数预测结果更加符合实际在室人数变化曲线,同时可显著缩短预测结果的延迟时间,从而进一步提高了模型的预测性能。(2)与传统隐马尔可夫模型、分类与回归树模型、支持向量机模型和人工神经网络模型相比,本文所建隐马尔可夫-随机森林模型能更加准确地预测在室人数变化。在预测精度、平均绝对误差和在室/离开预测精度这三种评估指标下,所建隐马尔可夫-随机森林模型性能均为最优。(3)所建模型性能主要影响因素中,模拟步长选择为10分钟时,隐马尔可夫-随机森林模型的预测性能最优,时间参数的引入可使隐马尔可夫-随机森林模型预测在室人数的准确度提高4%,而遗忘因子和决策树数量的选择对模型的预测精度的影响相对较小。在本文研究基础上,为进一步提高所建模型性能,未来重点研究方向应集中在状态转移概率矩阵动态变化步长的选取,模型参数更新以及动态遗忘因子研究中。