این مقاله با پشتیبانی از ترکیب تکنیک پیشرفته BIM با الگوریتم‌های هوشمند، یک چارچوب سیستماتیک با استفاده از یادگیری ماشینی قابل توضیح و بهینه‌سازی چند هدفه برای تحقق پیش‌بینی خودکار و بهینه‌سازی عملکرد انرژی ساختمان در راستای هدف توسعه پایدار ایجاد می‌کند. سه بخش مهم گنجانده شده است، از جمله شبیه‌سازی DesignBuilder، BO-LGBM (بهینه‌سازی بیزی-LightGBM) و یک روش قابل توضیح SHAP (توضیح افزودنی SHapley) مبتنی بر پیش‌بینی و توضیح عملکرد انرژی ساختمان، و الگوریتم چندگانه مبتنی بر AGE-MOEA. بهینه سازی هدف (MOO) تحت منابع عدم قطعیت. در یک مطالعه موردی برای طراحی ساختمان سبز تأیید شده است. نتایج نشان می دهد که: (1) مدل پیش بینی کننده BO-LGBM می تواند پیش بینی بسیار دقیقی را مطابق با داده های شبیه سازی انجام دهد و به R ^بزرگتر از 93.4 درصد و MAPE کوچکتر از 2.13 درصد برسد. از محاسبات SHAP، ویژگی‌های مربوط به سیستم HAVC (تهویه گرمایش و تهویه مطبوع) تمایل بیشتری به تأثیرگذاری بر نتایج پیش‌بینی دارند. (2) بهینه‌سازی مبتنی بر AGE-MOEA می‌تواند مجموعه‌ای از راه‌حل‌های بهینه پارتو را در به حداقل رساندن مصرف انرژی ساختمان، انتشار CO ₂ و درجه ناراحتی حرارتی داخل ساختمان شناسایی کند و به بالاترین نرخ بهینه‌سازی 13.43% تحت تنظیم مناسب برخی معین برسد. امکانات. (3) در کار MOO، در نظر گرفتن عدم قطعیت مدل و داده با فواصل پیش‌بینی و شبیه‌سازی مونت کارلو می‌تواند نرخ بهینه‌سازی را تا حدود 4.0 درصد بیشتر از سناریوی قطعی افزایش دهد، که منجر به استراتژی‌های مطلوب‌تر در بهینه‌سازی عملکرد ساختمان سبز می‌شود. به طور خلاصه، این مقاله منطقه توسعه ساختمان سبز را غنی می کند. برای یک چیز، شفافیت و تفسیرپذیری یادگیری ماشین را افزایش می‌دهد تا پیش‌بینی قانع‌کننده‌تر شود. برای دیگری، راه‌حل‌های طراحی غیرفعال و فعال را به همراه مشخصات دقیق عوامل تأثیرگذار برای طراحی ساختمان سبز تعیین می‌کند.