面向个人热舒适模型的条件下合成数据生成
机器学习
2022-11-22 v2 系统与控制
系统与控制
摘要
个人热舒适模型旨在预测个体的热舒适响应，而非一大群人的平均响应。近来，机器学习算法已证明作为个人热舒适模型候选具有巨大潜力。但是，通常在建筑的正常设置下，通过实验获得的个人热舒适数据存在严重的类别不平衡。与“偏好更暖”和“偏好更凉”类相比，“偏好无变化”类的数据样本数量不成比例地高。在此类类别不平衡数据上训练的机器学习算法在真实世界部署时表现欠佳。为利用上述类别不平衡数据开发稳健的基于机器学习的应用，并用于隐私保护的数据共享，我们提出实现一种最先进的条件合成数据生成器，以生成对应于低频类别的合成数据。通过实验，我们表明所生成的合成数据具有模仿真实数据分布的分布。所提方法可扩展用于其他智能建筑数据集/用例。
引用
@article{arxiv.2203.05242,
title = {Conditional Synthetic Data Generation for Personal Thermal Comfort Models},
author = {Hari Prasanna Das and Costas J. Spanos},
journal= {arXiv preprint arXiv:2203.05242},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2109.06486