房间占用预测：探索机器学习与时序洞察的力量
机器学习
2023-12-25 v1 机器学习
摘要
节能在建筑中是应对温室气体排放和气候变化的首要关切。高效管理房间占用，涉及照明控制和气候调整等行动，是减少能源消耗的关键策略。在无法使用监控技术的情境下，采用非侵入式传感器来估计房间占用。在本研究中，我们提出了一种房间占用预测框架，利用多样化的机器学习模型，其中随机森林始终实现最高的预测准确性。值得注意的是，该数据集涵盖了时间和空间两个维度，揭示了丰富的信息。令人惊讶的是，我们的框架即使在没有显式时序建模的情况下也表现出色。这凸显了传统机器学习模型的惊人预测能力。成功归因于特征冗余、线性空间和时序模式的简单性，以及高频数据采样的优势。尽管这些结果令人信服，但仍需保持开放，显式建模时序维度可能在特定情境下释放更深层次的见解或进一步提升预测能力。在总结中，我们的研究不仅验证了我们的预测框架在连续和分类任务中的有效性，也强调了通过包括时序方面的潜力以进一步提升预测能力。该研究突显了机器学习在塑造能源高效实践和房间占用管理方面的潜力。
引用
@article{arxiv.2312.14426,
title = {Room Occupancy Prediction: Exploring the Power of Machine Learning and Temporal Insights},
author = {Siqi Mao and Yaping Yuan and Yinpu Li and Ziren Wang and Yuanxin Yao and Yixin Kang},
journal= {arXiv preprint arXiv:2312.14426},
year = {2023}
}