能耗预测是建筑优化设计、优化控制、需求侧响应和能源审计等任务的重要支撑。这对提高建筑节能水平，实现双碳在建筑领域的目标具有重要意义。数据驱动的能耗预测方法建模过程相对简单，精度较高，在能耗预测领域中处于领先地位。随着信息技术和人工智能技术的快速发展，积累的建筑运营数据和层出不穷的巧妙算法使数据驱动方法具有更大的发展潜力。建筑运营数据具有典型的时空特征。在时间维度上，建筑运营数据作为一个时间序列，具有周期性和时滞性。在空间维度上，相似的建筑往往具有相似的能耗规律，在运行过程中会产生相似的时间序列。目前，国内外对这两个维度的研究还存在不足。在时间维度上，大多数预测模型处理无序的时间序列。如何挖掘时间序列数据的特征，进一步提高预测精度是一个尚未解决的难题。在空间维度上，如何灵活利用多个相似建筑的现有数据，在小样本场景下实现目标建筑的能耗预测仍然缺乏有效的解决方案。为了解决上述问题，本文采取了准确可靠的建筑能耗计算方法以预测为研究目标，以深度学习算法为主要工具，重点研究建筑运营数据的时间维度和空间维度特征。主要工作如下：（1）针对时间维特征提取问题，提出了一种基于循环神经网络和反向传播前馈网络的时间序列预测方法，挖掘建筑运行数据的时间序列特征，进一步提高能耗预测的准确性。该方法将循环神经网络和反向传播前馈网络相结合，其中循环神经网络用于从时间序列数据中提取重要特征，前馈网络用于学习特征与能耗值之间的复杂映射关系。该方法将特征提取和能耗预测耦合在一个模型中，以最小化预测误差为目标，实现了两个神经网络的迭代优化。结果表明，与传统的数据驱动方法相比，该方法能有效地提取时间序列特征，具有更高的预测精度。（2） 针对小样本场景下的能耗预测问题，提出了一种基于联邦学习的建筑迁移网络构建方法，实现了空间维度上多方数据的灵活利用。该方法将相似的建筑组合起来建立迁移网络，其中单个建筑建立本地能耗预测模型，并聚合形成同时反映共同能耗规律的联邦模型多栋建筑的能耗特性和单栋建筑的能耗特性。通过对联邦模型的全局训练和局部微调，实现了建筑物迁移网络中的数据共享和模型迁移。结果表明，该方法可以充分利用多方数据，提高预测精度，将模型训练时间减少90%以上，实现小样本场景下的能耗预测。（3） 为了提高数据驱动模型的应用可靠性，提出了能耗预测模型的通用解释过程，旨在对预测结果进行解释和分析，为建筑能源管理提供决策支持。在此过程中，利用灵敏度指标来衡量模型输入对能耗预测值的影响，用加权nepa来量化工况差异，并根据误差与距离的关系挖掘模型预测误差的变化规律。该过程用于解释各种数据驱动模型。结果表明，该方法可以从多个方面对预测模型进行解释和分析，实现模型可靠性的定量评估。本文建立的方法体系深入挖掘了建筑运行数据的时空特征，提高了数据驱动模型的预测精度，实现了小样本场景下的能耗预测，定量评估了模型的可靠性，帮助数据驱动模型在建筑能耗精细管理中发挥更大作用。