1.一种老年人热舒适预测方法，其基于算法适用性混合分裂决策树随机森林，包括以下步骤：步骤1，确定老年人热舒适影响因素，构建原始训练样本数据集O；

步骤2，对原始训练样本数据集O进行预处理，构建老年人热舒适预测特征数据集SO；

步骤3，针对老年人热舒适预测特征数据集SO，判断C4.5节点分裂算法用于老年人热舒适预测的适用性，得出基于C4.5分裂算法构建决策树用于老年人热舒适预测的准确率P1；

步骤4，针对老年人热舒适预测特征数据集SO，判断CART节点分裂算法的适用性，得出将CART节点分裂算法应用于老年人热舒适预测的准确率P2；

步骤5，将P1和P2按照其在算术和中占的比例分别赋予C4.5节点分裂算法和CATR节点分裂算法权重β1和β2，β1+β2＝1；

步骤6，基于步骤5的算法适用性混合分裂决策树构建老年人热舒适预测随机森林；

步骤7，采用训练好的随机森林进行老年人热舒适预测。

2.如权利要求1所述的一种老年人热舒适预测方法，其特征在于：步骤1中老年人热舒适影响因素包括：老年人个体信息、室内外物理参数、建筑本体特征、热环境可调节性；其中老年人个体信息包括：年龄、性别、健康状况、平均代谢率、服装热阻、老年人热舒适调节行为偏好；室内外物理参数包括：室内外干球温度、室内外相对湿度、室内风速、室内表面辐射温度；建筑本体特征包括：建筑所在气候分区、建筑所在住区规划特征、建筑围护结构热工性能、房间楼层、房间朝向等；热环境可调节性包括：窗户的可开启性、窗帘的可调节性、加热设备可调节性、降温设备可调节行。

3.如权利要求2所述的一种老年人热舒适预测方法，其特征在于：假设步骤1中一共确定M个影响因素，采用向量Xi(i＝1，2，...，M)表示；按照确定的影响因素收集相应因素的原始数据及老年人热舒适评价结果，每一次调查测试得到一行原始数据，即得到了一个训练样本；假设做了N次调查测试，则一共得到N个训练样本，组成原始训练样本数据集O(yj，Xij)(i＝1，2，...，M；j＝1，2，...，N)，其中：yj表示第j个训练样本的老年人热舒适评价结果，Xij中的元素xij表示第j个训练样本的第i个因素的原始数据。

4.如权利要求3所述的一种老年人热舒适预测方法，其特征在于：步骤2中的预处理指将影响因素中的连续变量进行离散化处理，预处理结果组成了老年人热舒适预测特征数据集SO(syj，SXij)，其中：syj(j＝1，2，...，N)表示第j个样本的老年人热舒适评价结果的预处理值，SXij(i＝1，2，...，M；j＝1，2，...，N)中的元素sxij表示第j个样本的第i个因素的预处理后的因素值，老年人热舒适预测特征数据集SO可表示为如下矩阵：

5.如权利要求1至4任意一项所述的一种老年人热舒适预测方法，其特征在于：步骤3、步骤4的具体步骤均包括以下子步骤：子步骤1，随机抽取老年人热舒适预测特征数据集SO中15％的样本数据作为决策树分裂算法适用性赋权数据集C，85％的样本数据作为训练数据集D；

子步骤2，随机选取训练数据集D的二分之一样本作为决策树的试探数据集Ds；

子步骤3，基于C4.5节点分裂算法和基于CART算法分别构建决策树；

子步骤4，将数据集C分别输入构建完成的决策树进行仿真测试，得出基于C4.5分裂算法构建决策树用于老年人热舒适预测的准确率P1和将CART节点分裂算法应用于老年人热舒适预测的准确率P2。

6.如权利要求5所述的一种老年人热舒适预测方法，其特征在于：基于C4.5节点分裂算法构建决策树包括以下子步骤：子步骤3.3.1，根节点数据集S等于试探数据集Ds；

子步骤3.3.2，根据式1计算S的信息熵：

式中：Info(S)表示数据集S的信息熵，|Sk|表示数据集S中老年人热舒适等于第k个类别的样本数，|S|表示数据集S的样本数，K是老年人热舒适类别总数；

子步骤3.3.3，将S根据因素xi的因素值分类，分类子集数目等于因素xi的因素值的个数，根据式2计算按照因素xi对S进行热舒适分类的信息熵：式中：Info_xi(S)表示按照因素xi对S进行热舒适分类的信息熵；R表示数据集S中因素xi所具有的因素值的个数；r表示因素xi的第r个因素值；|Sr|表示数据集S中因素xi的因素值等于第r个因素值的样本数；Info(Sr)表示数据集S中因素xi的因素值等于第r个因素值的数据集的信息熵；

子步骤3.3.4，根据式3计算按照因素xi对S进行热舒适分类的信息增益量：Gain(xi)＝Info(S)-Info_xi(S)                (式3)式中：Gain(xi)表示按照因素xi对S进行热舒适分类的信息增益量；

子步骤3.3.5，根据式4计算按照因素xi对S进行热舒适分类的分裂信息比率：式中：SplitInfo(xi)表示按照因素xi对S进行热舒适分类的分裂信息比率；

子步骤3.3.6，根据式5计算按照因素xi对S进行热舒适分类的信息增益率：式中：GainRatio(xi)表示按照因素xi对S进行热舒适分类的信息增益率；

子步骤3.3.7，选择信息增益率值GainRatio(xi)最大的因素作为决策树分裂规则，将S按照分裂因素的因素值个数分裂为多个子节点；

子步骤3.3.8，将子节点数据集作为根节点数据集S，采用子步骤3.3.2～子步骤3.3.7的方法通过迭代进行决策树分裂，直到完整的决策树构建完成为止。

7.如权利要求5所述的一种老年人热舒适预测方法，其特征在于：基于CART算法构建决策树，包括以下子步骤：子步骤4.3.1，根节点数据集S等于试探数据集Ds；

子步骤4.3.2，采用式6计算数据集S的基尼指数：

式中：Gini(S)表示数据集S的基尼指数；|Sk|表示数据集S中老年人热舒适等于第k个类别的样本数；|S|表示数据集S的样本数；K是老年人热舒适类别总数；

子步骤4.3.3，将数据集S根据因素xi是否等于第r个因素值划分成S1和S2两个部分，S1为S中因素xi等于第r个因素值的数据集，S2＝S-S1；

子步骤4.3.4，采用式7计算将数据集S根据因素xi是否等于第r个因素值进行划分的基尼指数：式中：Ginisplit(S，xi(r))表示将数据集S根据因素xi是否等于第r个因素值进行划分的基尼指数，|S1|表示数据集S1的样本数，|S2|表示数据集S2的样本数，|S|表示数据集S的样本数；Gini(S1)表示数据集S1的基尼指数，Gini(S2)表示数据集S2的基尼指数；

子步骤4.3.5，选择划分基尼指数Ginisplit(S，xi(r))最小值的因素及对应的因素值作为决策树的分裂规则，将S分裂为两个子节点；

子步骤4.3.6，将子节点数据集作为根节点数据集S，采用子步骤4.3.2～子步骤4.3.5的方法通过迭代进行决策树分裂，直到完整的决策树构建完成为止。

8.如权利要求1至4任意一项所述的一种老年人热舒适预测方法，其特征在于：步骤6的具体步骤包括以下子步骤：子步骤6.1，随机抽取老年人热舒适预测特征数据集SO中85％样本作为决策树构建数据集D1，15％样本作为决策树赋权数据集D2；

子步骤6.2，生成行采样数据集 采用Bootstrap方法有放回地对决策树构建数据集D1实施行采样，随机抽取数据样本，抽取的样本数与构建数据集D1样本数相同，得到决策树构建子数据集子步骤6.3，生成列采样数据集DL，对数据集 进行列采样，从M-1个因素中随机不放回的抽取m(m＜＜M-1，m为 的取整值)个因素，得到列采样数据集DL；

子步骤6.4，将列采样数据集DL作为根节点数据集S；

子步骤6.5，根据式8计算混和分裂指标Φ(S，xi(r))；

Φ(S，xi(r))＝β2Ginisplit(S，xi(r))-β1GainRatio(xi)      (式8)式中，Φ(S，xi(r))为依据因素xi是否等于第r个因素值将S进行分类的混合分裂指标；

子步骤6.6，选取混合分裂指标Φ(S，xi(r))最小值的因素和因素值将S分裂为两个子节点；

子步骤6.7，将子节点数据集作为根节点数据集S，采用子步骤6.5～子步骤6.6的方法通过迭代进行决策树分裂，直到构建完整的决策树T1为止；

子步骤6.8，重复子步骤6.2～子步骤6.7，假设重复P次，形成P棵决策树T1，T2，…，TP，以此组成基于算法适用性混合分裂决策树的老年人热舒适预测随机森林；

子步骤6.9，对决策树棵数进行优化，保持m值不变，调整随机森林棵树P，当随机森林的泛化误差减少且趋于稳定时，对应的决策树棵数为最佳决策数棵树Q；

子步骤6.10，决策树的赋权，将决策树赋权数据集D2中的样本分别输入到Q棵决策树中，得到每棵决策树的老年人热舒适分类正确率wq，将每棵决策树的分类正确率作为权值赋予每棵决策树。

9.如权利要求8所述的一种老年人热舒适预测方法，其特征在于：步骤7的具体步骤包括：将待测老年人热舒适预测样本v(x1，x2，...，xm)输入到每棵决策树，根据式9计算老年人热舒适的最终预测结果：其中，k表示老年人热舒适等级的类别；K表示老年人热舒适等级的类别总数，fqtree(v)＝k表示第q决策树输出的老年人热舒适预测结果为第k个类别，wq为第q棵决策树的权值。