人即建筑之传感器：密集型纵向室内舒适度模型
人机交互
2020-10-30 v2 应用统计
摘要
由于影响居住者舒适偏好的生理、心理和环境变量众多，评估和优化建成环境中的人体舒适度具有挑战性。人类感知有助于捕捉这些异质现象并解释其影响；挑战在于以可扩展的方式收集空间和时间上多样化的主观反馈。本文提出一种方法，利用智能手表平台上的微生态瞬时评估来收集关于舒适偏好的密集型纵向主观反馈。一项涉及 30 名居住者、历时两周的实验产生了 4,378 份基于现场的关于热、噪声和声学偏好的调查。随后根据这些偏好倾向对居住者及其留下反馈的空间进行聚类。这些群组被用于构建结合环境与生理变量的不同特征集，以用于多类分类任务。这些分类模型在如下特征集上训练：该特征集由时间序列属性、环境与近身传感器、心率以及个体及其所属舒适群组的历史偏好构成。最准确的模型在热、光和噪声偏好上的多类分类 F1 micro 分数分别为 64%、80% 和 86%。讨论部分概述了这些模型如何在补充已安装传感器数据的同时增强舒适偏好预测。所呈现的方法促使建筑分析界反思如何通过平衡变量测量与以密集型纵向方式策略性地询问居住者偏好，来评估、控制和设计室内环境。
引用
@article{arxiv.2007.02014,
title = {Humans-as-a-sensor for buildings: Intensive longitudinal indoor comfort models},
author = {Prageeth Jayathissa and Matias Quintana and Mahmoud Abdelrahman and Clayton Miller},
journal= {arXiv preprint arXiv:2007.02014},
year = {2020}
}