論文の概要: Transfer Learning for Thermal Comfort Prediction in Multiple Cities

• arxiv url: http://arxiv.org/abs/2004.14382v3
• Date: Wed, 21 Oct 2020 00:14:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 14:19:13.158246
• Title: Transfer Learning for Thermal Comfort Prediction in Multiple Cities
• Title（参考訳）: 複数の都市における熱快適性予測のための伝達学習
• Authors: Nan Gao, Wei Shao, Mohammad Saiedur Rahaman, Jun Zhai, Klaus David, Flora D. Salim
• Abstract要約: 本研究の目的は、データ短絡問題に取り組み、熱的快適性予測の性能を高めることである。 我々は、同じ気候圏の複数の都市からのセンサデータを利用して、熱快適なパターンを学習する。 本研究では,同じ気候帯からの転写学習に基づく多層パーセプトロンモデルを提案する。
• 参考スコア（独自算出の注目度）: 8.759740337781526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: HVAC (Heating, Ventilation and Air Conditioning) system is an important part of a building, which constitutes up to 40% of building energy usage. The main purpose of HVAC, maintaining appropriate thermal comfort, is crucial for the best utilisation of energy usage. Besides, thermal comfort is also crucial for well-being, health, and work productivity. Recently, data-driven thermal comfort models have got better performance than traditional knowledge-based methods (e.g. Predicted Mean Vote Model). An accurate thermal comfort model requires a large amount of self-reported thermal comfort data from indoor occupants which undoubtedly remains a challenge for researchers. In this research, we aim to tackle this data-shortage problem and boost the performance of thermal comfort prediction. We utilise sensor data from multiple cities in the same climate zone to learn thermal comfort patterns. We present a transfer learning based multilayer perceptron model from the same climate zone (TL-MLP-C*) for accurate thermal comfort prediction. Extensive experimental results on ASHRAE RP-884, the Scales Project and Medium US Office datasets show that the performance of the proposed TL-MLP-C* exceeds the state-of-the-art methods in accuracy, precision and F1-score.
• Abstract（参考訳）: hvac(ヒーティング、換気、空調)システムは建物の重要な部分であり、建物のエネルギー使用量の最大40%を占める。 空調の主な目的は、適切な熱的快適性を維持することであり、エネルギー利用の最良の利用に不可欠である。 また、快適さは健康、健康、仕事の生産性にも不可欠である。 近年,データ駆動熱快適性モデルが従来の知識ベース手法(予測平均投票モデルなど)よりも優れた性能を得ている。 正確な熱的快適性モデルは、屋内の居住者から大量の自己申告された熱的快適性データを必要とする。 本研究では,このデータ短絡問題に取り組み,熱的快適性予測の性能を高めることを目的とする。 同じ気候帯にある複数の都市からのセンサデータを利用して、温暖化パターンを学習する。 本研究では,同じ気候帯(TL-MLP-C*)からの転写学習に基づく多層パーセプトロンモデルを提案する。 ASHRAE RP-884、Scales Project、Medium US Officeのデータセットの大規模な実験結果から、提案したTL-MLP-C*の性能は、精度、精度、F1スコアの最先端手法を上回ることが示された。

関連論文リスト

• vHeat: Building Vision Models upon Heat Conduction [63.00030330898876]
  vHeatは、高い計算効率とグローバルな受容場の両方を同時に達成する、新しいビジョンバックボーンモデルである。 基本的な考え方は、画像パッチを熱源として概念化し、それらの相関の計算を熱エネルギーの拡散としてモデル化することである。
  論文  参考訳（メタデータ） (2024-05-26T12:58:04Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Enhancing personalised thermal comfort models with Active Learning for improved HVAC controls [0.8192907805418583]
  本研究では,アクティブラーニング(AL)によって強化された熱的嗜好に基づくHVAC制御フレームワークを提案する。 予備的な結果から, AL対応OCCと従来のOCCとのラベリング効果は著しく低下するが, 省エネ効果はわずかであった。
  論文  参考訳（メタデータ） (2023-09-16T18:42:58Z)
• Developing the Reliable Shallow Supervised Learning for Thermal Comfort using ASHRAE RP-884 and ASHRAE Global Thermal Comfort Database II [1.0863226323853896]
  この研究は、熱的快適さのためにAIサブシステムをトレーニングするための信頼性の高いデータセットを導入している。 熱的快適性のためのトレーニングデータは、このデータセットほど信頼性がないが、このデータを直接使用すると、過度に適合する可能性がある。 この研究は、教師付き学習プロセスのためのASHRAEデータベースに対して、データフィルタリングと意味データ拡張のためのアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-03-03T13:47:38Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Are You Comfortable Now: Deep Learning the Temporal Variation in Thermal Comfort in Winters [4.1450131693013095]
  温熱的快適感の時間的変動は、居住者の幸福感とエネルギー消費を規制する重要な問題である。 ほとんどの機械学習(ML)に基づく熱快適研究では、日時、概日リズム、屋外温度といった時間的側面は考慮されていない。 本研究では,概日リズムと屋外温度がMLモデルの予測精度と分類性能に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2022-08-20T07:45:01Z)
• Building Matters: Spatial Variability in Machine Learning Based Thermal Comfort Prediction in Winters [3.9810081653282383]
  機械学習は、データ駆動の熱的快適な予測にますます利用されている。 空間変動が生徒の快適性に及ぼす影響は,予測精度の変動を通じて示される。 また, 建築環境がTC予測に与える影響についても, 特徴量の変動を通じて明らかにした。
  論文  参考訳（メタデータ） (2022-06-28T17:07:35Z)
• Machine Learning-Based Automated Thermal Comfort Prediction: Integration of Low-Cost Thermal and Visual Cameras for Higher Accuracy [3.2872586139884623]
  利用者の快適さに関するデータを提供するためには,リアルタイムフィードバックシステムが必要である。 非侵襲型サーマルスキャンに対して、より包括的視点をもたらすためには、新しいソリューションが必要である。
  論文  参考訳（メタデータ） (2022-04-14T15:30:16Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。