随着气候变化、环境问题的进一步加深,当前的能源消耗趋势得到了越来越多的关注,其中建筑部门相关活动的能源消耗占到全球终端能耗的三分之一以上,随着发展中国家的城市化推进,预计未来一段时间全球建筑能源年消耗量仍将持续增长,为了实现2060年“碳中和”的目标,需要一系列节能措施提高建筑的能源效率,而准确可靠的建筑能耗预测是这些节能措施的最重要一环,它不仅是评估节能措施节能潜力的重要工具,也是智慧建筑的重要组成部分。随着楼宇自动化系统（BAS）和物联网技术在建筑中的广泛应用,大量智能电表和传感器在智慧建筑中部署,建筑能耗数据的数据量以及数据维度不断增加,对建筑能耗预测模型的预测能力带来了不小的挑战。当前在建筑能耗预测领域以及时间序列预测领域中,集成学习方法和循环神经网络是当前比较流行且预测性能较好的两类学习算法,本文的研究工作将以这两类学习算法为基础进行开展,主要包括以下内容:首先由于当前基于集成模型算法的建筑能耗预测研究中缺少对不同集成模型算法预测性能的对比研究,本文使用堆叠法集成包括自助法和提升法在内的五个基础模型算法,通过实验对比堆叠法、自助法、提升法三种集成学习方法的预测性能,实验结果表明,堆叠法的预测性能优于自助法和提升法。为进一步提高堆叠法集成模型的预测能力,本文提出了基于改进堆叠法的建筑能耗预测模型,使用长短期记忆网络对五个基础模型（包括K近邻算法、支持向量回归、多层感知机、随机森林和极端梯度提升）提取的元特征进行学习,挖掘元特征中的时序特征,利用时序特征实现更好的预测效果。为了验证基于改进堆叠法的建筑能耗预测模型的预测性能,在三个不同类型建筑的能耗仿真数据集上建立预测模型,通过与四个基准模型的对比实验评估模型的预测准确性,并通过多次重复实验评估模型的预测稳定性,综合考虑预测准确性和预测稳定性两方面因素评估模型的预测性能。实验结果表明,基于改进堆叠法的建筑能耗预测模型在三个数据集上的预测准确性均为最高,预测稳定性相较三种循环神经网络结构均有明显提升,能够满足医院、酒店、办公楼场景的建筑能耗预测任务。