高校教育已经成为了教育环节中必不可少的一部分,而教室是高校教学活动的主要场所。寒地高校中,极大一部分的教室冬季供暖采用的是以水为热媒的供热方式,这种供热方式的优点在于热源稳定,可以营造满足理论上的热舒适区间。但根据实地研究发现,这种供暖方式满足现有的热舒适评价指标,但与实际使用者的评价出现了偏差。所以如何构建一个贴合使用者的评价指标模型,进而指导后续的供暖调整成为了本文探讨的重点。本文采用文献分析、抽样分析、数理统计、实地测量、问卷调研以及计算机模拟的方法。通过文献分析法整理热舒适评价指标模型的相关知识:（1）各个热感觉评价指标模型的特点;（2）热工实验的特点以及基本流程;（3）机器学习方法在热舒适预测领域的运用方式。由于热工实验需要满足温度波动小、人员变化小、人员活动变化小的特点,所以在正式的实验开始之前通过实地预调研和抽样分析的方法,测量目标建筑的整体的温度、人员、人员活动的分布情况。通过数理统计法计算出预调研建筑的抽样教室的温度、人员、人员活动情况的标准差和方差,从而筛选出适合进行调研实验的两间教室。分别对这两间教室采用实地测量法进行预调研,通过数理统计法估算出有效的调研样本数量,通过计算后发现当样本数量超过120时,结果在理论上具有有效性。而后通过实地测量的方法,测量目标教室的空气温度、空气湿度、气流速度、黑球温度;通过问卷调研法收集相关人体因素:衣着种类、活动情况、推算服装热阻、人体新陈代谢率。将上述收集来的数据进行预处理:（1）利用相线法剔除异常值;（2）计算数据自身的方差和计算各特征之间的Spearman系数剔除冗余特征。利用机器学习的方法对收集来的数据进行建模。采用的建模方法有:逻辑回归模型、决策树模型、神经网络模型、集成学习模型。通过对比平均准确率来筛选表现良好的预测模型,最终集成学习中的LightGBM方法表现良好。利用LightGBM进行建模后保存并设计部署方式。通过在收集的数据上对比LightGBM模型与PMV-PPD模型,发现LightGBM模型具有相对较高的场景适应性。并对可能使用的到的场景提出了自己的猜想:1.对比两种模型指导下的空调运行状况;2.对如何指导建筑设计提出可能的设计流程猜想。通过上述方法得出以下结论:（1）依据本文收集的实际投票值（TSV）计算出的热中性温度为23.8℃,热中性温度区间为[19.3℃,28.2℃];依据预测值（PSV）计算出的热中性温度为24.2℃,热中性温度区间为[20.6℃,27.9℃];依据PMV指标计算的热中性温度为26.6℃,热中性温度区间为[22.1℃,31.1℃];（2）在改变教室内温度的同时也应该考虑对湿度进行优化,从而提高教室内热舒适;（3）户外环境影响人体热舒适的主要方式是影响人体热感觉,对人体的热应答能力影响不大;（4）集成模型LightGBM在广泛的适用性上以及热舒适预测上表现相对较好,所以将模型融合是机器学习提高效果的一个重要思路;（5）PMV模型不能依据实际的人体适应性情况调整参数,是导致实际预测的效果低于最初设计预期的主要原因。