减轻感知负担:一种用于热舒适度评估的轻量级传感器机器学习框架
《Sustainability》:Reducing the Sensing Burden: A Sensor-Light Machine Learning Framework for Thermal Comfort Assessment
【字体:
大
中
小
】
时间:2026年07月15日
来源:Sustainability 4.1
摘要
热舒适度直接影响人们的健康、幸福感与工作效率,同时也会影响建筑环境的可持续性及能源效率。预测平均投票值(PMV)是目前最常用的热舒适度指标,但其六个输入参数中有四个——全球温度、衣物保温性、新陈代谢率以及空气流速——需要借助专门的昂贵设备或依靠人们的自我报告,这一因素长期以来限制了该指标在大规模实际应用中的使用。本研究提出了一种机器学习框架,仅需利用室内和室外的温度及相对湿度作为传感器数据,再结合易于获取的背景信息与个人活动记录,即可估算出这四个参数。该框架充分利用了全球温度与空气流速与室内外环境之间的关联,以及由温度和活动水平决定的衣物保温性与新陈代谢率的变化规律。实验结果显示,该框架具有出色的预测能力,能够解释实际PMV值85%的变异程度(R2 = 0.85),平均残差接近零(?0.041),残差标准差为0.286。大约91%的绝对误差都在0.5 PMV单位以内,这样的误差通常不会改变所对应的热舒适度等级。在热舒适度分类方面,该框架的预测准确率可达80%,整体精确率为0.81,召回率为0.80,在中性及温暖环境下表现最佳,而在寒冷不适环境下的预测准确性则较低。这些结果表明,通过标准的温度和湿度传感器,再结合基本的背景信息与个人活动记录,就能够实现基于PMV的热舒适度评估,从而推动高效、可持续建筑的规模化、低传感器依赖型舒适度监测系统的发展。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号