論文の概要: Building Matters: Spatial Variability in Machine Learning Based Thermal
Comfort Prediction in Winters
- arxiv url: http://arxiv.org/abs/2206.14202v1
- Date: Tue, 28 Jun 2022 17:07:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 20:26:16.030640
- Title: Building Matters: Spatial Variability in Machine Learning Based Thermal
Comfort Prediction in Winters
- Title(参考訳): 建築問題:冬期における温熱快適予測に基づく機械学習の空間変動
- Authors: Betty Lala, Srikant Manas Kala, Anmol Rastogi, Kunal Dahiya, Hirozumi
Yamaguchi, Aya Hagishima
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.9810081653282383
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thermal comfort in indoor environments has an enormous impact on the health,
well-being, and performance of occupants. Given the focus on energy efficiency
and Internet-of-Things enabled smart buildings, machine learning (ML) is being
increasingly used for data-driven thermal comfort (TC) prediction. Generally,
ML-based solutions are proposed for air-conditioned or HVAC ventilated
buildings and the models are primarily designed for adults. On the other hand,
naturally ventilated (NV) buildings are the norm in most countries. They are
also ideal for energy conservation and long-term sustainability goals. However,
the indoor environment of NV buildings lacks thermal regulation and varies
significantly across spatial contexts. These factors make TC prediction
extremely challenging. Thus, determining the impact of the building environment
on the performance of TC models is important. Further, the generalization
capability of TC prediction models across different NV indoor spaces needs to
be studied. This work addresses these problems. Data is gathered through
month-long field experiments conducted in 5 naturally ventilated school
buildings, involving 512 primary school students. The impact of spatial
variability on student comfort is demonstrated through variation in prediction
accuracy (by as much as 71%). The influence of building environment on TC
prediction is also demonstrated through variation in feature importance.
Further, a comparative analysis of spatial variability in model performance is
done for children (our dataset) and adults (ASHRAE-II database). Finally, the
generalization capability of thermal comfort models in NV classrooms is
assessed and major challenges are highlighted.
- Abstract(参考訳): 室内環境の熱的快適さは、居住者の健康、幸福、そしてパフォーマンスに大きな影響を及ぼす。
エネルギー効率とIoT(Internet-of-Things)が有効になったスマートな建物を考えると、機械学習(ML)はデータ駆動熱快適(TC)予測にますます利用されている。
一般に、MLベースのソリューションは、空調またはHVAC換気された建物に対して提案され、モデルは主に大人向けに設計されている。
一方で、ほとんどの国では自然換気式(nv)建物が一般的である。
また、エネルギー保全や長期持続可能性目標にも適している。
しかし、NVビルの室内環境は温度調節に欠けており、空間的文脈によって大きく異なる。
これらの要因により、TC予測は非常に難しい。
したがって,建築環境がTCモデルの性能に与える影響を判断することが重要である。
さらに,様々なnv屋内空間におけるtc予測モデルの一般化について検討する必要がある。
この仕事はこれらの問題に対処する。
512人の小学校学生を対象とし, 自然換気施設5棟で1ヶ月にわたるフィールド実験を行った。
空間的変動が生徒の快適性に及ぼす影響は,予測精度の変動(最大71%)によって示される。
また, 建築環境がtc予測に及ぼす影響を, 特徴量の変化から示す。
さらに, 子ども(我々のデータセット)と成人(ASHRAE-IIデータベース)を対象に, モデル性能の空間変動性の比較分析を行った。
最後に,NV教室におけるサーマルコンディションモデルの一般化能力を評価し,大きな課題を浮き彫りにした。
関連論文リスト
- Adopting Explainable-AI to investigate the impact of urban morphology design on energy and environmental performance in dry-arid climates [0.0]
本研究では,都市建築エネルギーモデリング(UBEM)と機械学習(ML)と説明可能なAI技術を組み合わせた都市形態評価手法を提案する。
テヘランの密集した都市景観をケーススタディとして、この研究は30の形態パラメータが主要なエネルギー指標に与える影響を評価し、ランク付けする。
その結果、建築形態、窓と壁の比率、商業比率がエネルギー効率に影響を与える最も重要なパラメータであることが判明した。
論文 参考訳(メタデータ) (2024-12-13T09:19:49Z) - Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳(メタデータ) (2024-09-11T19:31:56Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - 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) - 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) - 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) - 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) - 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) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳(メタデータ) (2021-02-16T16:56:27Z) - Sub-Seasonal Climate Forecasting via Machine Learning: Challenges,
Analysis, and Advances [44.28969320556008]
サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。
本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
論文 参考訳(メタデータ) (2020-06-14T18:39:27Z) - Transfer Learning for Thermal Comfort Prediction in Multiple Cities [8.759740337781526]
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。
論文 参考訳(メタデータ) (2020-04-29T11:42:02Z)
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。