利用深度学习优化智能建筑的室内环境质量
机器学习
2025-10-01 v1 人工智能
计算机视觉与模式识别
摘要
确保最佳的室内环境质量（IEQ）对居住者的健康和生产力至关重要，但在传统的供暖、通风和空调（HVAC）系统中，这往往以高昂的能源成本为代价。本文提出了一种深度学习驱动的方法，以主动管理IEQ参数，特别是二氧化碳浓度、温度和湿度，同时平衡建筑能效。利用从一栋净零能耗学术建筑收集的ROBOD数据集，我们对三种架构——长短期记忆网络（LSTM）、门控循环单元（GRU）和混合卷积神经网络-长短期记忆网络（CNN-LSTM）——进行了基准测试，以预测不同时间尺度下的IEQ变量。我们的结果表明，GRU以较低的计算开销实现了最佳的短期预测精度，而CNN-LSTM在提取扩展预测窗口的主导特征方面表现出色。同时，LSTM提供了稳健的长程时间建模能力。对比分析强调，预测的可靠性取决于数据分辨率、传感器位置和波动的占用状况。这些发现为智能建筑管理系统（BMS）实施预测性HVAC控制提供了可操作的见解，从而在实际建筑运营中降低能耗并提升居住者舒适度。
引用
@article{arxiv.2509.26187,
title = {Optimizing Indoor Environmental Quality in Smart Buildings Using Deep Learning},
author = {Youssef Sabiri and Walid Houmaidi and Aaya Bougrine and Salmane El Mansour Billah},
journal= {arXiv preprint arXiv:2509.26187},
year = {2025}
}
备注
10 pages, 4 figures, 1 table. Accepted and presented at the 5th International Conference on Digital Technologies and Applications (ICDTA 2025), April 17-18, 2025, Al Akhawayn University, Ifrane, Morocco