1. 定义设计目标：明确阐明项目的目的和目标，例如能源效率、居住舒适度或可持续性。确定将推动数据驱动设计方法的关键绩效指标 (KPI)。
2. 数据收集：从不同来源收集相关数据，例如建筑管理系统、传感器、天气数据库和用户反馈。该数据可能包括有关能源消耗、室内空气质量、占用模式或用户偏好的信息。
3. 数据分析和建模：使用统计分析和建模技术来解释收集到的数据。识别可以为设计过程提供信息的模式、趋势和相关性。分析不同设计决策对已确定的 KPI 的影响。
4. 模拟和可视化：利用计算机模拟和可视化来评估设计方案。虚拟模型可以模拟不同条件下建筑元素的性能，有助于优化照明、通风或隔热等参数。
5. 迭代设计过程：根据数据分析和模拟获得的见解不断完善设计。这种迭代方法可以不断改进并有助于实现所需的设计目标。
6. 预测分析和优化：使用数据驱动的算法和机器学习技术来开发预测模型。这些模型可以实时预测建筑元素的性能，并根据不断变化的条件优化其操作。
7. 反馈循环和入住后评估：实施反馈机制，在建筑入住后持续监控和评估数字建筑元素的性能。此反馈有助于验证设计决策并指导未来的改进。
8. 协作和跨学科团队合作：促进建筑师、工程师、数据科学家和住户代表之间的协作。共享不同学科的专业知识和知识有助于形成更全面、更有效的数据驱动设计方法。
9. 及时了解技术进步：拥抱物联网 (IoT)、云计算和大数据分析等新兴技术。这些技术可以收集、分析和利用大型数据集，增强数据驱动设计的能力。
10. 持续改进和适应：采用持续改进的文化，将以前项目的经验教训纳入未来的努力中。采用数据驱动的设计方法来适应不断变化的技术、用户需求和可持续发展目标。
Publication date: