您现在舒适吗：深度学习冬季热舒适的时间变化

智能建筑中的室内热舒适对居住者的健康和表现有显著影响。因此，机器学习（ML）正越来越多地用于解决与室内热舒适相关的挑战。热舒适感知的时间变异性是调节居住者福祉与能耗的重要问题。然而，在大多数基于 ML 的热舒适研究中，并未考虑一天中的时间、昼夜节律和室外温度等时间方面。本工作针对这些问题，研究了昼夜节律和室外温度对 ML 模型预测准确率和分类性能的影响。数据通过在一所城市的 5 所学校的 14 间教室开展、涉及 512 名小学生的长达一个月的现场实验收集。将四种热舒适指标作为深度神经网络和支持向量机模型在该数据集上的输出。通过“一天中的时间”分析展示了时间变异性对学童舒适感的影响。预测准确率的时间变异性最高达 80%。此外，我们表明室外温度（随时间变化）对热舒适模型预测性能的正面影响最高达 30%。通过对比微观层面（特定位置）和宏观层面（跨城市 6 个位置）的性能，展示了时空上下文的重要性。本工作最重要的发现是，对于多种热舒适指标，随着一天中时间和天空光照度的增加，预测准确率有确切的提升。