本文对多种混合模型在建筑热需求短期预测中的表现进行系统对比。首先梳理了文献中常见的技术路径，发现元启发式算法或数据驱动模型常被用于标定基础模型的参数。随后对每种方法的输入输出特征、优势与局限进行定性评估。接下来，利用苏格兰住宅的历史热负荷数据及对应的天气预报，对13种已有混合方法进行实证测试。结果表明，经验模态分解‑长短期记忆‑马尔可夫（EMD‑LSTM‑Markov）模型在日尺度上对供暖和生活热水（DHW）需求的功率曲线预测精度最高，能够较好捕捉局部峰值，但对高幅度的功率突增仍有低估。相较之下，支持向量机‑模拟退火（SVM‑SA）和随机森林‑改进麻雀搜索算法‑LSTM（RF‑ISSA‑LSTM）等方法虽能呈现平滑的需求曲线，却在快速变化的峰值处表现出明显的低估。
点评：混合模型通过将分解、深度学习与概率转移相结合，可显著提升短期热负荷预测的细节捕捉能力，但仍需针对极端功率波动设计专门的误差补偿机制。