基于合成环境数据实现建筑 occupancy 检测
机器学习
2025-11-20 v1
摘要
房间级占用信息对许多建筑相关任务至关重要,例如建筑自动化或能源性能模拟。当前占用检测文献聚焦于数据驱动方法,但大多基于房间很少的小型案例研究。为每个关注房间收集特定数据的必要性阻碍了机器学习尤其是数据密集型深度学习方法的实际应用。为从更少数据中得出准确预测,我们建议从合成数据中进行知识迁移。本文中,我们利用一间办公室内 CO 传感器的数据以及模拟得到的附加合成数据开展实验。我们的贡献包括:(a) 一种在随机化占用者行为下 CO 动态的模拟方法,(b) 从模拟 CO 数据进行知识迁移的概念验证,以及 (c) 未来研究启示的概述。由结果可得出结论:该迁移方法能有效减少模型训练所需数据量。
引用
@article{arxiv.2010.04209,
title = {Towards the Detection of Building Occupancy with Synthetic Environmental Data},
author = {Manuel Weber and Christoph Doblander and Peter Mandl},
journal= {arXiv preprint arXiv:2010.04209},
year = {2025}
}