用于热舒适、热感觉与热偏好并发预测的多任务学习
机器学习
2022-04-27 v1 人工智能
计算机与社会
摘要
室内热舒适对居住者的健康与工作效率影响巨大。因此，研究人员和工程师提出了众多计算模型来估计热舒适 (TC)。鉴于对能源效率的推动，当前的研究重点是利用前沿机器学习 (ML) 算法的数据驱动型 TC 预测方案。然而，室内居住者对热舒适 (TC) 的感知是主观且多维的。TC 的不同方面由多种标准指标/量表表示，即热感觉 (TSV)、热舒适 (TCV) 和热偏好 (TPV)。当前基于 ML 的 TC 预测方案采用单任务学习方法，即每个指标对应一个预测模型。因此，这些方案通常只关注一个 TC 指标。此外，当考虑多个指标时，针对同一室内空间的多个 TC 模型会导致相互冲突的预测，使得实际部署不可行。本研究旨在解决这些问题。着眼于节能与实际应用，我们以自然通风的小学教室为研究对象。首先，在 5 所学校、14 间教室进行了为期一个月的现场实验，共有 512 名独特的学生参与者。进而，我们提出了“DeepComfort”，一种受多任务学习启发的深度学习模型。DeepComfort 通过单一模型同时预测多个 TC 输出指标，即 TSV、TPV 和 TCV。在 ASHRAE-II 数据库和本研究所创建的数据集上进行验证时，该模型展现出高 F1 分数、高准确率（>90%）和良好的泛化能力。研究还表明，DeepComfort 的性能优于 6 种流行的特定指标单任务机器学习算法。据我们所知，本研究是多任务学习在教室热舒适预测中的首次应用。
引用
@article{arxiv.2204.12380,
title = {Multi-task Learning for Concurrent Prediction of Thermal Comfort, Sensation, and Preference},
author = {Betty Lala and Hamada Rizk and Srikant Manas Kala and Aya Hagishima},
journal= {arXiv preprint arXiv:2204.12380},
year = {2022}
}