以短期历史作为商业建筑中人类行为预测因子
计算机与社会
2018-09-27 v1 机器学习
机器学习
摘要
本文探讨识别短期历史时间窗的问题，从中可预测建筑中未来居住者的开窗动作及由此产生的窗户状态。所考察的序列时长在室内空气气候数据的30至240个时间步范围内，采用的时间离散化为一分钟。为此，训练一个深度神经网络来预测窗户状态，其中输入序列时长作为附加超参数处理。最终，分析了预测准确率与未来预测窗户状态的时间滞后之间的关系。结果表明，当使用60个时间步的室内气候数据作为输入时，获得了最优预测性能。此外，结果显示，在给定正确超参数的情况下，可高效处理极长序列（120-240时间步）。因此，与使用30/60分钟室内序列的情况相比，利用前数小时高分辨率室内气候数据的记忆并未改善预测性能。以F1分数衡量的不同未来窗户状态时间滞后的预测准确率，在预测目标从未来10分钟移至60分钟时，从0.51降至0.27。
引用
@article{arxiv.1809.10020,
title = {Learning short-term past as predictor of human behavior in commercial buildings},
author = {Romana Markovic and Jérôme Frisch and Christoph van Treeck},
journal= {arXiv preprint arXiv:1809.10020},
year = {2018}
}
备注
Preprint submitted to Energy and Buildings