建筑能耗占全部能耗的32%,开关窗对建筑能耗的预测十分重要,此外,对自然通风的建筑物来说,开关窗对调节室内空气质量也起着至关重要的作用。而开关窗的人行为受多种驱动因素影响,性能优异的开关窗模型有助于提高模型的预测正确率,帮助研究者更好地预测建筑能耗。因此,为了更好地了解居住者何时打开/关闭窗户,构建一个能够预测居住者开窗行为的模型是很有必要的。当前,随着人工智能的火爆,很多研究者使用了各种机器学习算法来预测窗户状态,但算法之间缺乏横向的对比研究。因此,本文选取了逻辑回归算法、决策树算法、支持向量机算法、贝叶斯算法、神经网络算法、随机森林算法和XGBoost算法在内的7种常见机器学习算法进行窗户状态预测的横向比较研究。本研究针对中国5个气候区,收集了45户住宅用户周期长达一年（2017.03-2018.02）的关于影响窗户状态的数据。主要包括室外空气温度、室外相对湿度、室内空气温度、室内相对湿度、室内CO2浓度、室内PM2.5浓度、室外PM2.5浓度、室外PM10浓度、室外SO2浓度、室外CO浓度、降雨量和AQI。此外,考虑到中国幅员辽阔,不同气候区的不同季节影响窗户状态的驱动因素均有所差异,将实验数据按气候区和季节分为13组。在对数据进行统计分析之后,探究不同的驱动因素与窗户状态改变之间的关系。统计数据显示,开窗时长在一定范围内随着室外空气温度的增加,先增加后下降。大多数时候室内CO2浓度与窗户状态之间呈反相关关系。对于大多数居住者,窗户状态在一天中伴随着居住者的起床而开启,开窗率随后上升达到峰值,达到峰值的时间因地区和季节而异。此外,使用了Pearson相关系数法对影响开关窗的驱动因素和窗户状态之间进行了定量的计算。在对数据进行必要的预处理之后,使用7种不同的算法进行训练,每个算法分别得到13组模型。然后使用ACC、F1-score、Precision、Recall这四种评价指标对训练得到的模型在测试集上的表现进行评价,最后对这些模型进行横向对比。各种评价指标都显示,XGBoost和随机森林代表的集成算法在测试集上的表现和鲁棒性明显好于逻辑回归、决策树、支持向量机、贝叶斯和神经网络。