Люди, работавшие в большом здании, вероятно, сталкивались с тем, что на рабочем месте им было слишком жарко или слишком холодно. Регулирование температуры в таких зданиях важно как для обеспечения комфорта тех, кто использует пространство, так и для максимизации энергоэффективности здания.
Системы отопления, вентиляции и кондиционирования воздуха (HVAC) часто с трудом могут сбалансировать эти потребности, но модели машинного обучения (ML) могут быть полезны в прогнозировании того, как люди относятся к температуре в различных частях здания, чтобы повысить эффективность. Хотя эти модели могут говорить о сложных взаимосвязях между физической средой и субъективным восприятием тепла жильцами, они также могут представлять такие проблемы, как предвзятые данные человеческого восприятия и неопределенности, которые могут привести к неточным прогнозам и неэффективному управлению зданием.
Чтобы улучшить этот подход ML, группа исследователей из Департамента гражданского и экологического строительства и Университета Карнеги-Меллона предложила метод, который объединяет данные и модели, используя многомерный анализ правил ассоциации (M-ARM) для поиска и исправления предвзятостей в человеческих знаниях. реакции на температуру.
В исследовании, представленном в журнале Building and Environment , они протестировали этот метод на семи моделях машинного обучения и обнаружили, что он повышает точность прогнозирования того, как люди будут относиться к температуре. В исследовании используется противоречивая информация, предоставляемая жильцами здания при ответе на многочисленные связанные вопросы об их тепловом комфорте, чтобы найти настоящую «зону комфорта» для большинства людей в здании. В исследовании были проанализированы проблемы неправильной калибровки, связанные с текущими методами, и выявлены потенциальные случаи субъективного искажения данных с использованием M-ARM.
«Эта работа потенциально может способствовать экономии энергии, при этом многие люди, использующие эти большие здания, не будут жаловаться на дискомфорт», — сказал Пинбо Тан, доцент кафедры гражданского и экологического строительства , возглавлявший исследование.
Тан отмечает, что дефектные наборы данных, используемые в настоящее время, потенциально могут привести к избыточному потреблению энергии. Хотя комфорт человека зависит от таких факторов, как влажность и температура, одежда также играет определенную роль.
«Существует больше факторов, чем просто восприятие температуры человеком», — говорит Тан. «Эта работа посвящена использованию поведения человека, отвечающего на вопросы, когда он сталкивается с несколькими связанными вопросами о температурном комфорте, чтобы справиться с внутренними конфликтами и оценить реальность».
Учитывая такие факторы воздействия, как размер набора данных, различные типы классификаторов и методы калибровки, авторы обнаружили, что они могут значительно повысить надежность прогнозов и уменьшить ошибки в используемых в настоящее время моделях.
Результаты этого исследования дают представление о развитии стратегий на основе машинного обучения с целью достижения более надежных прогнозов восприятия тепла. Эта работа может привести к разработке более эффективных стратегий контроля температуры в зданиях, чтобы сделать жильцов более комфортными и снизить потребление энергии.
