使用数字孪生的个人热舒适模型：基于Build2Vec提取的时空邻近数据预测偏好
机器学习
2021-12-13 v1
摘要
建筑中传统的热偏好预测由于难以捕获所有环境和个人因素而存在局限。新的模型特征可提升机器学习模型对个体热偏好分类的能力。建筑的空间上下文可向模型提供关于窗户、墙壁、加热与冷却源、空气扩散器及其他形成影响热舒适微环境因素的信息。由于空间异质性，以足够高分辨率布置传感器以捕获所有条件是不现实的。本研究旨在基于现有的称为Build2Vec的矢量空间模型，预测时空 occupant 室内环境偏好。Build2Vec在真实场景中利用来自建筑信息模型（BIM）的空间数据和室内定位。该框架使用来自基于智能手表的生态瞬时评估（EMA）的纵向密集热舒适主观反馈。这些数据的聚合被组合为图网络结构（即对象与关系），并用作分类模型的输入以预测居住者热偏好。一项测试实现的结果显示，相较于使用传统热偏好预测输入变量的一组基线，准确率提升了14-28%。
引用
@article{arxiv.2111.00199,
title = {Personal thermal comfort models using digital twins: Preference prediction with BIM-extracted spatial-temporal proximity data from Build2Vec},
author = {Mahmoud Abdelrahman and Adrian Chong and Clayton Miller},
journal= {arXiv preprint arXiv:2111.00199},
year = {2021}
}