队列舒适模型——利用居住者相似性以更少数据预测个人热偏好
机器学习
2022-11-23 v2
摘要
我们引入队列舒适模型（Cohort Comfort Models），一种用于预测新居住者如何感知其热环境的新框架。队列舒适模型利用从具有某种潜在偏好相似性的样本群体收集的历史数据，来预测新居住者的热偏好响应。我们的框架能够利用可用的背景信息，如新居住者的身体特征与一次性入职调查（生活满意度量表、高敏感人格量表、大五人格特质）以及配对热偏好响应的生理与环境传感器测量值。我们在两个公开数据集上实现了我们的框架，这些数据集包含来自 55 人的纵向数据，涵盖超过 6,000 份个体热舒适调查。我们观察到，使用背景信息的队列舒适模型在热偏好预测性能上变化极小，且不使用任何历史数据。另一方面，对于各数据集居住者群体中一半与三分之一的人，使用队列舒适模型并以目标居住者更少的历史数据，与在整个居住者群体上训练的通用电模型相比，队列舒适模型将其热偏好预测平均提高了 8~% 与 5~%，对某些居住者最高达 36~% 与 46~%。该框架以数据与场地无关的方式呈现，其不同组件可轻易适配居住者与建筑的数据可用性。队列舒适模型可成为迈向个性化的重要一步，而无需为每个新居住者开发个性化模型。
引用
@article{arxiv.2208.03078,
title = {Cohort comfort models -- Using occupants' similarity to predict personal thermal preference with less data},
author = {Matias Quintana and Stefano Schiavon and Federico Tartarini and Joyce Kim and Clayton Miller},
journal= {arXiv preprint arXiv:2208.03078},
year = {2022}
}