在当今社会,居民住宅的能源消耗已经占据社会能源总消耗的很大一部分比例,且随着人们生活水平的提高,此比例还会进一步增长。住宅能耗预测模型是指导住宅节能设计以及节能改造的重要工具,因此对于节约住宅能源消耗有着巨大的帮助,而传统基于物理建模的房屋能耗预测,虽然有较好的热力学理论支撑,但模型计算过于复杂,实时性较低,模型输入参数多且获取难度较大,无法实现在线运行。相比于物理建模方式,如果能使用基于数据驱动的机器学习模型预测房屋能耗,预测实时性会大幅提升,再结合不同预测指标通过数据分析对模型输入数据进行有效特征集合选取,减少数据的维度,使得能耗预测模型最终以在线方式给住户提供预测服务,这将对降低房屋能耗预测的使用门槛以及边际成本都具有重要意义。考虑到影响房屋主要耗能系统的因素众多且相互作用,现有单一机器学习模型无法同时准确地预测多个能耗指标。本文提出一种包含支持向量回归模型(SVR,Support Vector Regression)与随机森林回归模型(RFR,Random Forest Regression)的住宅多能耗指标预测系统,预测指标包括住宅年度暖气、热水与照明开销。该系统运行在云计算集群,通过REST API接口给前端提供服务。模型的训练以及验证基于标准评估程序与能耗性能认证(SAP-EPC)数据集,此数据集充分覆盖英国13个主要地区。考虑到使用大数据集训练SVR模型,本质是对复杂二次优化问题进行求解,非常消耗计算时间与内存空间。本文结合住宅能耗表现与其地理位置分布具有强关联性特点,提出一种分区并行建模方式,用来提升模型预测准确度。在兼容模型算法在线运行环境的基础上,设计一种双层负载均衡框架,用来实现系统高可用、可并发与可扩展等特性。在模型算法测试阶段,本文首先对比不同机器学习模型基于不同输入数据集训练的测试结果差异,证明多能耗指标预测系统设计的优越性;然后设置并行分区与非并行分区对照实验,验证并行分区建模方式能有效提升模型预测准确率;最后分析真实能耗数值与预测结果,验证模型预测准确率,结果表明本文所提出的多能耗预测系统准确度可释方差评估得分大于0.8并且系统时延小于0.7秒,具有实用价值。在系统测试阶段,本文使用postman与Apache Benchmark接口测试工具,测试系统的时延和高可用性,以及系统基于不同架构的并发表现,其接口测试结果证明该系统能够稳定运行在云计算集群,给前端提供预测服务。