实现细粒度 HVAC 控制的活动分类与占用预测新方法
机器学习
2014-09-09 v1
摘要
建筑物的大部分能源消耗源于暖通空调（HVAC）系统，这促使了最近几项关于提高这些系统能源效率的研究。占用和活动是两个重要方面，需要正确估计以实现最佳 HVAC 控制。然而，最先进的占用估计和活动分类方法需要基础设施和/或可穿戴传感器，由于成本较高，其接受度较低。令人鼓舞的是，随着智能手机的进步，这些变得更为可行。大多数现有的占用估计技术都有一个基本假设，即手机始终由用户携带。然而，在参加会议或其他活动时，手机常被留在桌面上，这给现有的基于手机的占用算法产生了估计误差。同样，近年来，稀疏随机分类器（SRC）的新兴理论已被应用于智能手机上的活动分类，但在机处理方面仍有改进空间。我们提出了一种新颖的传感器融合方法，为占用估计提供了接近 100% 的准确率。我们还提出了一种活动分类算法，其准确率与最先进的 SRC 算法相当，同时将处理量减少了 50%。
引用
@article{arxiv.1409.1917,
title = {Novel Methods for Activity Classification and Occupany Prediction Enabling Fine-grained HVAC Control},
author = {Rajib Rana and Brano Kusy and Josh Wall and Wen Hu},
journal= {arXiv preprint arXiv:1409.1917},
year = {2014}
}