《Array》:Indoor environmental quality management in learning spaces through predictive models of students’ physical and emotional well-being
编辑推荐:
室内环境质量(Indoor Environmental Quality, IEQ)对支持学生幸福感(well-being)至关重要。鉴于幸福感本质上具有主观性,其评估不能仅依赖物联网(Internet of Things, IoT)设备通常监测的物理测量值。因
室内环境质量(Indoor Environmental Quality, IEQ)对支持学生幸福感(well-being)至关重要。鉴于幸福感本质上具有主观性,其评估不能仅依赖物联网(Internet of Things, IoT)设备通常监测的物理测量值。因此,本研究通过构建基于机器学习的工具以推进该领域发展,该工具支持教育空间中学生的幸福感预测,同时考虑生理幸福感(physical well-being)和情绪幸福感(emotional well-being)。该工具基于两个新颖的机器学习预测模型构建,分别针对学生的生理幸福感和情绪幸福感,两个模型均从组合数据集构建而成。该数据集通过结合以下数据创建:通过基于IoT的监测系统收集的客观室内和室外环境数据,以及通过问卷调查收集的教室基础设施状态数据和学生幸福感反馈。本工作详细描述了在为期五个月的监测活动中收集这些数据所采用的研究方法,以及通过系统分析和评估多种机器学习模型和预测问题以识别和构建准确且稳健的幸福感预测器的实验研究。具体而言,五种算法的预测性能在三种不同的预测问题中进行了评估:平衡分类(balanced classification)、非平衡分类(unbalanced classification)和回归(regression)。所构建的工具允许模拟教室的物理状态以及室内和室外环境条件,以预测学生的幸福感,为及时调整提供指导,并作为主动、数据驱动的教室环境管理和学生幸福感优化的决策支持系统(Decision Support System, DSS)。通过提供可操作的、情境感知的信息,该工具在支持教育空间可持续管理的同时提升了学生舒适度,通过指示最佳舒适度值来帮助避免不必要的电气设备连接,进而避免不必要的能源使用。
**研究背景与问题提出**
室内环境质量(Indoor Environmental Quality, IEQ)是影响建筑使用者满意度与健康的关键因素。联合国2030年可持续发展议程中,SDG 3"良好健康与福祉"以及SDG 4"优质教育"均强调了创造健康舒适环境的重要性。教室作为学生度过约30%生命的场所,其IEQ对学生的学习表现、健康状态及认知功能具有显著影响。然而,现有研究存在明显局限:一方面,多数分析仅依赖物理参数测量,未能充分捕捉使用者的主观感知;另一方面,尽管部分研究开始整合多源IEQ变量,但鲜有工具能够同时融合客观环境数据与主观反馈,支持教育空间的数据驱动环境管理决策。此外,现有预测模型在算法覆盖范围、预测问题多样性以及物理基础设施状态考量方面均存在不足。为此,Rodríguez-Horcajo、Pérez、Lara-Cabrera和Yagüe开展了一项创新性研究,旨在构建能够同时预测学生生理幸福感与情绪幸福感的机器学习工具,以实现教室环境的主动、可持续管理。该论文发表于《Array》期刊。
**关键技术方法**
研究人员采用的核心技术方法包括:(1)多源异构数据融合与聚合方法,整合IoT传感器监测数据、气象站数据及学生问卷数据,基于两小时时间窗口进行时空匹配;(2)五折交叉验证结合网格搜索/随机搜索的超参数优化策略;(3)三种预测问题框架——非平衡分类、平衡分类与回归的系统比较;(4)基于SHapley Additive exPlanations(SHAP)的模型可解释性分析方法。样本来源于西班牙马德里理工大学某校区2023-2024学年11月至3月期间两个教室(A教室:135.13 m
2,朝北;B教室:137.13 m
2,朝南)的1018份有效问卷,对应121,196条室内环境样本和3,648条室外气象样本。
**研究结果**
**4.1 数据聚合与预处理结果**
研究人员将三个数据源按两小时时间窗口聚合:室外气象数据取起始、中点和终点三个值;室内环境数据基于学生座位位置分配最近的传感器节点,计算温度、湿度和照度的最小值、最大值、平均值和四分位数。最终数据集包含959个有效样本,经预处理后确定16个输入特征,包括时间窗口、朝向、室内温湿度及照度的统计描述、室外温湿度、基础设施状态(灯光、窗户、窗帘、空调、供暖)以及学生感知的教室占用率。Spearman相关分析结合Benjamini-Hochberg错误发现率(False Discovery Rate, FDR)校正结果显示:生理幸福感与情绪幸福感均与室内环境条件关联更强,其中供暖状态(ρ=0.212)、教室占用感知(ρ=0.177)与生理幸福感正相关最强;室内照度各项指标均呈正相关,而室内湿度呈一致负相关。室外温度未显示显著关联,室外湿度呈弱负相关。
**4.2 非平衡分类问题结果**
在五分类非平衡设定中,K近邻分类器(K-Nearest Neighbors Classifier, KNNC)表现最优,情绪幸福感预测准确率达0.6354、F1值为0.5610;生理幸福感预测准确率达0.6076、F1值为0.5574。逻辑回归(Logistic Regression, LR)和支持向量分类器(Support Vector Classifier, SVC)次之,随机森林(Random Forest, RF)和梯度提升(Gradient Boosting, GB)相对较弱。然而,该设定下数据集呈现严重类别不平衡:约50%样本集中于第4级("同意")、30%为第5级("强烈同意"),而第1级("强烈不同意")仅占0.5%。导致模型预测严重偏向多数类,第1、2级情绪的召回率为零,第3级生理幸福感召回率仅为0.08。
**4.3 平衡分类问题结果**
为解决类别不平衡,研究人员将第1-3级合并为"低幸福感"新类别(记为0级),形成三分类平衡问题(第5级约30%、第4级约50%、低幸福感级约20%)。KNNC在F1值指标上仍表现最佳(情绪幸福感0.5434、生理幸福感0.5539),但SVC在准确率上略有优势(0.5798)。逻辑回归保持稳定竞争性能(准确率约0.54、F1值约0.49),且因具有更高可解释性而被选为最终模型。此设定下各类别预测更为均匀,低幸福感级召回率提升至0.04-0.21,precision-recall trade-off显著改善。
**4.4 回归问题结果**
将幸福感水平视为连续变量进行回归预测后离散化,梯度提升回归器(Gradient Boosting Regressor, GB)在情绪幸福感F1值上达最高(0.5149),KNN在生理幸福感F1值上最优(0.4532)。整体而言,回归框架的性能一致性和F1值均低于分类框架,表明离散序数水平的直接分类优于连续化处理。
**4.5 模型选择与工具构建**
综合比较三种问题框架后,研究人员确定平衡分类问题为最优策略,并选用逻辑回归算法构建最终预测模型。基于SHAP值的敏感性分析揭示:情绪幸福感模型中,室内温度中位数和最小值最为关键,室外湿度中点和室内最低湿度次之,空调状态有中等影响;生理幸福感模型中,室内最高温度影响最大,空调状态重要性显著提升。两类模型中照度变量和情境因素(时间窗口、占用感知等)均显示较低重要性。这一发现与Spearman相关分析形成互补:两者均确认热环境的核心作用,但多元预测模型更凸显空调系统的实际调节价值,而双变量分析中显著相关的照度和占用感知在模型中的预测贡献相对有限。
**讨论总结与结论**
研究人员开发的决策支持工具包含图形用户界面,支持用户交互配置教室物理与环境条件,同步输出学生生理与情绪幸福感预测。该工具的核心贡献在于:(1)整合多源异构数据的首个教育空间幸福感预测系统;(2)覆盖更广算法范围与预测问题形式的系统性方法比较;(3)兼顾预测性能与可解释性的模型选择策略。研究结论表明,室内热条件是影响学生幸福感的主导因素,基于该工具的预防性环境调控可避免HVAC系统与照明设备的过度使用,实现学生舒适度与能源效率的协同优化。未来研究将扩展至更多教室布局、地理区位与季节条件,纳入空气质量、声学舒适度等更多IEQ参数,并探索XGBoost、TabNet等先进算法及学生个体特征的影响。
**研究结论**
本研究构建了一种新颖的基于机器学习的工具,能够模拟教室的物理和环境条件,并基于这些模拟预测学生的生理和情绪幸福感。该工具基于两个机器学习预测模型实现,通过将预测问题构建为分类问题进行设计。这些模型来源于一个广泛的实验研究,在一个真实场景案例中收集了来自异构数据源的大规模数据集,包括教室的室内环境数据(共121,196个样本)、室外气象数据(3,648个样本),以及通过1,018份幸福感问卷调查获得的教室物理状态数据和学生感知。这些数据涵盖教室朝向、时段、占用水平、学生感知以及室内外环境条件等变量,实现了对研究环境的准确表征。模型通过详尽的实验研究构建,评估了五种机器学习算法在三种不同预测问题框架下的表现,以识别最有效的方法。这两个新预测模型使人们能够理解与教室配置和特征相关的学生将感知到的生理和情绪幸福感水平。该工具允许用户交互式配置各种物理和环境教室场景,并基于这些输入提供学生幸福感预测。因此,这项工作在该领域向前迈进了一步,因为提前获得这些预测使教育机构能够采取预防性和纠正性措施,改善或调整教室的物理和环境条件以促进学生幸福感。此外,该工具的模拟能力支持对教育空间中幸福感参数的有见地的调整,有助于避免不必要的电气设备连接,进而避免不必要的能源使用,同时支持教育环境中的可持续发展目标。以这种方式,鼓励了对教室环境管理采取主动方法,创造更有利于积极学习的环境,并促进优化可持续且舒适的教育环境。