面向多城市热舒适预测的迁移学习
机器学习
2020-10-22 v3
摘要
HVAC（供暖、通风与空调）系统是建筑的重要组成部分，占建筑能耗高达 40%。HVAC 维持适当热舒适的主要目的对于能源使用的最优利用至关重要。此外，热舒适对福祉、健康与工作生产力也至关重要。近来，数据驱动的热舒适模型已取得优于传统基于知识的方法（如预测平均投票模型）的性能。准确的热舒适模型需要来自室内居住者的大量自报告热舒适数据，这对研究者无疑仍是挑战。本研究中，我们旨在解决这一数据短缺问题并提升热舒适预测性能。我们利用同一气候带中多城市的传感器数据学习热舒适模式。我们提出一种基于迁移学习的同气候带多层感知机模型（TL-MLP-C*）用于准确热舒适预测。在 ASHRAE RP-884、Scales Project 与 Medium US Office 数据集上的大量实验结果表明，所提 TL-MLP-C* 在准确率、精确率与 F1 分数上超越最先进（SOTA）方法。
引用
@article{arxiv.2004.14382,
title = {Transfer Learning for Thermal Comfort Prediction in Multiple Cities},
author = {Nan Gao and Wei Shao and Mohammad Saiedur Rahaman and Jun Zhai and Klaus David and Flora D. Salim},
journal= {arXiv preprint arXiv:2004.14382},
year = {2020}
}