論文の概要: Personal thermal comfort models using digital twins: Preference
prediction with BIM-extracted spatial-temporal proximity data from Build2Vec
- arxiv url: http://arxiv.org/abs/2111.00199v1
- Date: Sat, 30 Oct 2021 07:43:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 09:24:34.582246
- Title: Personal thermal comfort models using digital twins: Preference
prediction with BIM-extracted spatial-temporal proximity data from Build2Vec
- Title（参考訳）: ディジタル双生児を用いた個人熱快適性モデル:Build2VecによるBIM抽出時空間近接データによる予測
- Authors: Mahmoud Abdelrahman, Adrian Chong, and Clayton Miller
- Abstract要約: 本研究は,室内環境の嗜好を予測するために,既存のベクトルベース空間モデルであるBuild2Vecを構築することを目的とする。
スマートウォッチを用いた生態的モーメントアセスメント(EMA)による長手的熱的快適感の主観的フィードバックを用いた枠組み
テスト実装の結果,従来の温度優先予測入力変数を用いたベースラインのセットよりも14～28%精度が向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conventional thermal preference prediction in buildings has limitations due
to the difficulty in capturing all environmental and personal factors. New
model features can improve the ability of a machine learning model to classify
a person's thermal preference. The spatial context of a building can provide
information to models about the windows, walls, heating and cooling sources,
air diffusers, and other factors that create micro-environments that influence
thermal comfort. Due to spatial heterogeneity, it is impractical to position
sensors at a high enough resolution to capture all conditions. This research
aims to build upon an existing vector-based spatial model, called Build2Vec,
for predicting spatial-temporal occupants' indoor environmental preferences.
Build2Vec utilizes the spatial data from the Building Information Model (BIM)
and indoor localization in a real-world setting. This framework uses
longitudinal intensive thermal comfort subjective feedback from smart
watch-based ecological momentary assessments (EMA). The aggregation of these
data is combined into a graph network structure (i.e., objects and relations)
and used as input for a classification model to predict occupant thermal
preference. The results of a test implementation show 14-28% accuracy
improvement over a set of baselines that use conventional thermal preference
prediction input variables.
- Abstract（参考訳）: 建物における従来の熱選好予測は, 環境要因や個人要因の把握が困難であるため, 限界がある。
新しいモデル機能は、人の熱的嗜好を分類する機械学習モデルの能力を改善することができる。
建物の空間的コンテキストは、窓、壁、暖房および冷却源、空気拡散器などのモデルに情報を提供し、熱的快適性に影響を与える微小環境を作ることができる。
空間的不均一性のため、すべての条件を捉えるのに十分な解像度でセンサーを配置することは不可能である。
本研究は,空間的空間的嗜好を予測するために,ビル2Vecと呼ばれる既存のベクトル型空間モデルを構築することを目的とする。
Build2Vecはビル情報モデル(BIM)の空間データと実世界における屋内のローカライゼーションを利用する。
このフレームワークは、smart watch-based eco momentary assessments(ema)からの縦断的な熱的快適感の主観的フィードバックを用いる。
これらのデータの集約はグラフネットワーク構造(オブジェクトと関係)に結合され、占有する熱的嗜好を予測するための分類モデルの入力として使用される。
テスト実装の結果,従来の温度優先予測入力変数を用いたベースラインのセットよりも14～28%精度が向上した。
関連論文リスト
- Real-Time 2D Temperature Field Prediction in Metal Additive
Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。
本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。
提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
論文 参考訳（メタデータ） (2024-01-04T18:42:28Z) - 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) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳（メタデータ） (2022-11-15T14:15:04Z) - LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。
本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文 参考訳（メタデータ） (2022-10-03T22:04:00Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳（メタデータ） (2022-06-28T12:43:38Z) - Targeting occupant feedback using digital twins: Adaptive
spatial-temporal thermal preference sampling to optimize personal comfort
models [0.0]
本稿では,スマートウォッチを用いたデータサンプリングを最適化するシナリオベース(仮想実験)手法について概説する。
提案したBuild2Vec法は,空間に基づくサンプリング法や正方形グリッドに基づくサンプリング法よりも,全体のサンプリング品質が18～23%高い。
論文 参考訳（メタデータ） (2022-02-22T07:38:23Z) - Personal Comfort Estimation in Partial Observable Environment using
Reinforcement Learning [8.422257363944295]
ほとんどのスマートホームは、ユーザーの熱的嗜好を表す均一なモデルを学ぶ。
ユーザーごとに異なる熱感覚を持つことは、スマートホームが各利用者の好みを個別に学習する上での課題となる。
一つの最適なポリシーを持つスマートホームは、異なる好みを持つ新しいユーザーがホームに統合された場合、快適に提供できない可能性がある。
論文 参考訳（メタデータ） (2021-12-02T04:01:44Z) - Mobility Map Inference from Thermal Modeling of a Building [1.5522829321999745]
部屋の温度から各建物に居住する者の分布である移動度マップを推定することの問題点を考察する。
提案アルゴリズムは,パラメータ学習者(Last Square Estimator)を改良したLast Square Estimatorを活用することで,上記の課題に対処する。
私たちの仕事は、オフィスビルの物理的なセキュリティを確保するなど、幅広いアプリケーションで使用できます。
論文 参考訳（メタデータ） (2020-11-14T19:19:03Z) - Simulation and Optimisation of Air Conditioning Systems using Machine
Learning [4.511561231517167]
建物の管理において、通常、静的な温度設定は、その占有の有無にかかわらず、建物の内部温度を快適に維持するために用いられる。
本稿では,機械学習のアプローチを用いて,特定の部屋における未占有時間における集合点の最適化方法について検討する。
論文 参考訳（メタデータ） (2020-06-27T06:42:25Z)
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。