Fugu-MT 論文翻訳(概要): Targeting occupant feedback using digital twins: Adaptive spatial-temporal thermal preference sampling to optimize personal comfort models

論文の概要: Targeting occupant feedback using digital twins: Adaptive spatial-temporal thermal preference sampling to optimize personal comfort models

arxiv url: http://arxiv.org/abs/2202.10707v1
Date: Tue, 22 Feb 2022 07:38:23 GMT
ステータス: 処理完了
システム内更新日: 2022-02-23 16:19:30.434264
Title: Targeting occupant feedback using digital twins: Adaptive spatial-temporal thermal preference sampling to optimize personal comfort models
Title（参考訳）: デジタル双生児を用いた占有者フィードバックのターゲット化 : 適応型空間-時間熱選好サンプリングによる快適感の最適化
Authors: Mahmoud Abdelrahman, Clayton Miller
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Collecting intensive longitudinal thermal preference data from building occupants is emerging as an innovative means of characterizing the performance of buildings and the people who use them. These techniques have occupants giving subjective feedback using smartphones or smartwatches frequently over the course of days or weeks. The intention is that the data will be collected with high spatial and temporal diversity to best characterize a building and the occupant's preferences. But in reality, leaving the occupant to respond in an ad-hoc or fixed interval way creates unneeded survey fatigue and redundant data. This paper outlines a scenario-based (virtual experiment) method for optimizing data sampling using a smartwatch to achieve comparable accuracy in a personal thermal preference model with less data. This method uses BIM-extracted spatial data, and Graph Neural Network (GNN) based modeling to find regions of similar comfort preference to identify the best scenarios for triggering the occupant to give feedback. This method is compared to two baseline scenarios based on the spatial context of specific spaces and 4 x 4 m grid squares in the building using a theoretical implementation on two field-collected data sets. The results show that the proposed Build2Vec method is 18-23% more in the overall sampling quality than the spaces-based and the square-grid-based sampling methods. The Build2Vec method also has similar performance to the baselines when removing redundant occupant feedback points but with better scalability potential.
Abstract（参考訳）: 建物利用者からの集中的な熱選好データ収集は、建物とそれを利用する人々のパフォーマンスを特徴付ける革新的な手段として登場している。これらの技術は、数日から数週間にわたってスマートフォンやスマートウォッチを使って主観的なフィードバックを与える。その意図は、データを高い空間的および時間的多様性で収集し、建物と居住者の好みを最もよく特徴付けることである。しかし実際には、占有者が一定間隔または一定間隔で応答する場所を離れると、不要な調査疲労と冗長なデータが発生する。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。本手法では,BIM抽出空間データとグラフニューラルネット(GNN)をベースとしたモデルを用いて,類似した快適な嗜好領域を探索し,住民にフィードバックを与える最善のシナリオを特定する。本手法は,空間空間の空間的文脈に基づく2つのベースラインシナリオと建物内の4 x 4 mの格子正方形を,2つのフィールド補正データセットに対する理論的実装を用いて比較する。その結果, 提案手法は, 空間ベースおよび正方形格子型サンプリング法よりも, 全体のサンプリング品質が18～23%高いことがわかった。 Build2Vecメソッドはまた、冗長な占有されたフィードバックポイントを取り除く際に、ベースラインと同じようなパフォーマンスを持つ。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文参考訳（メタデータ） (2024-03-11T05:35:38Z)
Regions are Who Walk Them: a Large Pre-trained Spatiotemporal Model Based on Human Mobility for Ubiquitous Urban Sensing [24.48869607589127]
本研究では,人体移動データに含まれるリッチな情報を活用するために,トラジェクトリ(RAW)に基づく大規模時空間モデルを提案する。提案手法は,人間の移動データのみに特色を持たず,ユーザのプロファイリングや地域分析に一定の関連性を示す。
論文参考訳（メタデータ） (2023-11-17T11:55:11Z)
Positional Encoding-based Resident Identification in Multi-resident Smart Homes [1.2084539012992412]
本稿では,多人数居住型スマート環境における住民識別のための新しい住民識別フレームワークを提案する。提案フレームワークは位置符号化の概念に基づく特徴抽出モデルを用いている。我々は、スマート環境のレイアウトマップからそのようなグラフを構築するための新しいアルゴリズムを設計する。
論文参考訳（メタデータ） (2023-10-27T01:29:41Z)
Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
移動領域の条件付き連続表現は一般的に用いられる。本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
論文参考訳（メタデータ） (2023-07-12T15:34:10Z)
LibCity: A Unified Library Towards Efficient and Comprehensive Urban Spatial-Temporal Prediction [74.08181247675095]
既存の分野には、さまざまなフォーマットで使用が難しいオープンソースデータなど、制限がある。我々は、研究者に信頼性のある実験ツールと便利な開発フレームワークを提供するオープンソースライブラリ、LibCityを提案する。
論文参考訳（メタデータ） (2023-04-27T17:19:26Z)
Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文参考訳（メタデータ） (2022-03-11T09:46:22Z)
Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
論文参考訳（メタデータ） (2021-12-31T03:54:37Z)
Personal thermal comfort models using digital twins: Preference prediction with BIM-extracted spatial-temporal proximity data from Build2Vec [0.0]
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。
論文参考訳（メタデータ） (2021-10-30T07:43:11Z)
AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。