AutoTherm：一个用于室内与车内热舒适估计的数据集与基准
人机交互
2024-05-22 v5
摘要
建筑内的热舒适是一个研究充分的领域，其中收集的人类热舒适判断可用于自动热舒适估计。然而，室内场景在热状态变化方面相当静态，因此无法应用于动态条件，例如车内。本工作中，我们给出了建筑与车内场景在热舒适估计方面存在差距的发现。我们通过比较用于室内与车内条件的深度神经分类器来提供证据。此外，我们引入了一个用于室内预测的时序数据集，包含 31 个输入信号以及 18 名受试者在自建气候舱中的自标注用户评分。对于车内场景，我们获取了第二个数据集，其包含来自宝马 3 系中 20 名受试者的人类判断。我们的实验结果表明，基于时间序列数据的估计优于单向量输入。利用现代机器学习架构使我们能够自动识别人类热舒适状态并估计未来状态。我们提供了训练基于循环网络的分类器的细节，并对所提数据集进行了初步性能基准测试。最后，我们将所收集的数据集与公开可用的热舒适数据集进行比较。
引用
@article{arxiv.2211.08257,
title = {AutoTherm: A Dataset and Benchmark for Thermal Comfort Estimation Indoors and in Vehicles},
author = {Mark Colley and Sebastian Hartwig and Albin Zeqiri and Timo Ropinski and Enrico Rukzio},
journal= {arXiv preprint arXiv:2211.08257},
year = {2024}
}