ZEMCH 2019 International Conference Proceedings April.2020 | Page 24

Figure 2. Decision tree model for EUI for cooling (Nodes with bold outline are terminal nodes, and mean of 
each terminal node represents the prediction. Separation point is set to 0.05) 
3.2.2 Determinants of EUI for cooling 
The decision tree result for the EUI for cooling is given in Figure 2. Similar with the result of MLR 
model, number of children under 8 is adopted as the most influential variable. The presence of children 
under 8 almost doubles the EUI for cooling. The COP of air conditioner appears to be another influential 
factor, unlike the result of MLR model. However, the influence depends on the presence of children 
under 8. When there are children under 8 in a household, the EUI for cooling is high (4.948kWh/(㎡∙y)) 
regardless of the COP of air conditioner. Otherwise, air conditioners with high efficiency (COP > 3.460) 
can  further  reduce  the  EUI  for  cooling.  In  addition,  occupant  density  has  significant  positive 
relationship with the EUI for cooling: the higher occupant density, the higher EUI for cooling.   
Unlike the MLR model, number of employed residents is not significant in the DT model. This can 
be explained by one of the limitations it has. In DT model, the upper subset split into lower subsets by 
a  significant  explanatory  variable.  It  means  that  whether  the  tree  will  grow  further  or  not  is  highly 
dependent on the number of samples of the upper subset. Hence, even there is still a significant factor 
left, it does not appear when the sample size is not large enough. Since the terminal nodes of the model 
have less than 10 samples each, further separation does not occur by any other variables. 
4. Conclusion 
This study selected 53 apartment units in Seoul and collected real‐metered heating and cooling 
energy consumption data. Using statistical methods, characteristics that have significant effect on the 
heating and cooling energy consumption were identified. Unlike prior studies, this study introduces a 
novel way to discover hidden determinants, using both linear and nonlinear statistical models: multiple 
linear regression (MLR) and decision tree (DT). 
Table 2 shows the comparison of two models. For heating, all of the building, system, and occupant 
characteristics appeared to be significant in both MLR and DT models. Surface area, use of auxiliary 
heating devices, and heating set temperature appeared to be significant in both MLR and DT models. 
However, year of building permit, which represents insulation level of the building, is significant only 
in DT model. It is because, for the dataset used in this study, the EUI is in nonlinear relationship with 
the  year  of  building  permit.  For  cooling,  while  occupant  characteristics  are  dominant,  none  of  the 
13
ZEMCH 2019 International Conference l Seoul, Korea