岗位职责：1. 数据挖掘与特征工程：负责收集、清洗和处理建筑相关的时序数据，包括但不限于室外气象（温、湿度）、室内CO2浓度、设备运行数据、人流数据等。深入业务逻辑，构建与人体舒适度（如PMV）和建筑热力学相关的关键特征。

2. 模型开发与训练：设计、实现并持续优化高精度的短期/超短期冷热负荷预测模型。熟练运用经典的机器学习模型（如XGBoost, LightGBM）和先进的深度学习模型（如LSTM, GRU, TCN, Transformer）。

3. 模型超参数自动化化：熟悉并应用进化计算等元启发式优化算法（如遗传算法、粒子群算法、差分进化算法等），对机器学习/深度学习模型的超参数进行高效、自动化的寻优，以最大化模型性能，减少人工调参成本。

4. 模型部署与迭代：将训练好的模型进行封装、部署至生产环境，并建立持续的监控与在线学习机制，确保模型在真实场景中的稳定性与预测精度。

5. 跨部门协作：与暖通、产品、前端团队紧密合作，理解业务需求，将算法能力转化为实际的产品功能与解决方案，并为业务决策提供数据洞察。

6. 技术研究与追踪：持续跟踪业界与学术界在负荷预测、时间序列分析、能源管理等领域的最新进展，并尝试将其应用于实际业务中。

技术技能：

o 编程基础：精通 Python 及相关的数据科学栈（Pandas, NumPy, Scikit-learn）。

o 机器学习：对经典的机器学习算法有扎实理解，并至少精通一种集成学习框架（XGBoost 或 LightGBM）。

o 深度学习：具备使用 PyTorch 或 TensorFlow 等框架开发深度学习模型的实际经验。有 LSTM/GRU 等时序预测项目经验者优先。

o 数据处理能力：熟悉时序数据的处理、分析和可视化，能够独立完成从数据获取到特征构建的全流程工作。

o 优化算法技能：具有使用进化算法或其他智能优化算法解决实际问题的经验。熟悉并使用过相关的优化库（如 DEAP, Scikit-Opt, Optuna【其内置了TPE等算法，并支持类似进化算法的搜索】等）。

优先考虑条件

1. 有实际建筑负荷预测、电力负荷预测、或时间序列预测相关项目经验，并能有成果展示（如GitHub代码、项目报告、论文等）。

2. 熟悉人体舒适度模型（如PMV-PPD）并有相关计算或应用经验。

3. 有使用进化算法或贝叶斯优化等方法，为复杂模型（如XGBoost, LSTM）进行超参数调优的成功项目经验。

4. 了解建筑模拟软件（如EnergyPlus）或具有物理信息系统项目经验。

5. 有在云平台（AWS, GCP, Azure）上部署和运维机器学习模型的实践经验。

6. 熟悉Docker, MLOps相关工具和流程。

7.学历与专业：计算机科学、数据科学、统计、自动化、暖通空调、建筑技术科学、电力系统等相关专业硕士及以上学历。