建筑至关重要：冬季基于机器学习的热舒适预测中的空间变异性
机器学习
2022-06-30 v1
摘要
室内环境的热舒适对居住者的健康、福祉与表现有巨大影响。鉴于对能源效率及物联网赋能智能建筑的关注，机器学习（ML）正越来越多地用于数据驱动的热舒适（TC）预测。通常，基于ML的方案针对空调或HVAC通风建筑提出，且模型主要面向成人设计。另一方面，自然通风（NV）建筑在大多数国家是常态，其也利于节能与长期可持续目标。然而，NV建筑室内环境缺乏热调节且在不同空间背景下差异显著，这些因素使TC预测极具挑战性。因此，确定建筑环境对TC模型性能的影响十分重要。此外，需研究TC预测模型在不同NV室内空间中的泛化能力。本工作致力于解决这些问题。数据通过在一月内在5栋自然通风学校建筑中对512名小学生开展的实地实验收集。空间变异性对学生舒适的影响通过预测精度变化（高达71%）得以展示；建筑环境对TC预测的影响也通过特征重要性的变化得以体现。进一步，针对儿童（本数据集）与成人（ASHRAE-II数据库）进行了模型性能空间变异性的对比分析。最后，评估了NV教室内热舒适模型的泛化能力并指出了主要挑战。
引用
@article{arxiv.2206.14202,
title = {Building Matters: Spatial Variability in Machine Learning Based Thermal Comfort Prediction in Winters},
author = {Betty Lala and Srikant Manas Kala and Anmol Rastogi and Kunal Dahiya and Hirozumi Yamaguchi and Aya Hagishima},
journal= {arXiv preprint arXiv:2206.14202},
year = {2022}
}
备注
Accepted in SmartSys SMARTCOMP 2022