論文の概要: Are You Comfortable Now: Deep Learning the Temporal Variation in Thermal Comfort in Winters

• arxiv url: http://arxiv.org/abs/2208.09628v1
• Date: Sat, 20 Aug 2022 07:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 12:40:42.138762
• Title: Are You Comfortable Now: Deep Learning the Temporal Variation in Thermal Comfort in Winters
• Title（参考訳）: 今あなたは快適か:冬期における温暖化の時間変化の深層学習
• Authors: Betty Lala, Srikant Manas Kala, Anmol Rastogi, Kunal Dahiya, Aya Hagishima
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.1450131693013095
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Indoor thermal comfort in smart buildings has a significant impact on the health and performance of occupants. Consequently, machine learning (ML) is increasingly used to solve challenges related to indoor thermal comfort. Temporal variability of thermal comfort perception is an important problem that regulates occupant well-being and energy consumption. However, in most ML-based thermal comfort studies, temporal aspects such as the time of day, circadian rhythm, and outdoor temperature are not considered. This work addresses these problems. It investigates the impact of circadian rhythm and outdoor temperature on the prediction accuracy and classification performance of ML models. The data is gathered through month-long field experiments carried out in 14 classrooms of 5 schools, involving 512 primary school students. Four thermal comfort metrics are considered as the outputs of Deep Neural Networks and Support Vector Machine models for the dataset. The effect of temporal variability on school children's comfort is shown through a "time of day" analysis. Temporal variability in prediction accuracy is demonstrated (up to 80%). Furthermore, we show that outdoor temperature (varying over time) positively impacts the prediction performance of thermal comfort models by up to 30%. The importance of spatio-temporal context is demonstrated by contrasting micro-level (location specific) and macro-level (6 locations across a city) performance. The most important finding of this work is that a definitive improvement in prediction accuracy is shown with an increase in the time of day and sky illuminance, for multiple thermal comfort metrics.
• Abstract（参考訳）: スマートな建物における室内熱的快適さは、居住者の健康とパフォーマンスに大きな影響を及ぼす。 その結果、機械学習(ML)は、室内の熱的快適性に関わる課題を解決するためにますます使われてきている。 温熱的快適感の時間的変動は、居住地とエネルギー消費を規制する重要な問題である。 しかし,ほとんどのMLに基づく熱快適な研究では,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。 この仕事はこれらの問題に対処する。 MLモデルの予測精度と分類性能に及ぼす概日リズムと屋外温度の影響について検討した。 データは,小学校512校の14教室を対象に,1カ月間にわたるフィールド実験によって収集された。 データセットに対するDeep Neural NetworksとSupport Vector Machineモデルの出力として,4つの熱的快適度指標が考慮されている。 時間的変動が児童の快適性に及ぼす影響を「昼の時間」分析により示す。 予測精度の時間変動を実証する(最大80%)。 さらに,室外温度(経時変化)が最大30%の温熱快適性モデルの予測性能に正の影響を与えることを示した。 マイクロレベル(位置特化)とマクロレベル(6箇所)のパフォーマンスを対比することにより、時空間の重要性が示される。 この研究の最も重要な発見は、複数の熱的快適度測定のために、日時と天空照度の増加とともに予測精度が決定的に向上していることである。

関連論文リスト

• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• The Relationship Between Speech Features Changes When You Get Depressed: Feature Correlations for Improving Speed and Performance of Depression Detection [69.88072583383085]
  この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。 このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-07-06T09:54:35Z)
• A Machine Learning Approach to Measuring Climate Adaptation [0.0]
  被害気象の短期変化と長期変化の弾力性を比較することで,気候変動への適応度を測定した。 パネル設定でこれらの弾性を柔軟に測定するための偏りのある機械学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-02T17:16:48Z)
• 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)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• 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)
• Thermal Prediction for Efficient Energy Management of Clouds using Machine Learning [31.735983199708013]
  プライベートクラウドからのデータを分析し、熱的変動の存在を示す。 温度予測のための勾配強化機械学習モデルを提案する。 さらに,ホストのピーク温度を最小化する動的スケジューリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-07T00:55:47Z)
• 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)
• Data-driven control of micro-climate in buildings: an event-triggered reinforcement learning approach [56.22460188003505]
  半マルコフ決定過程に基づく微小気候制御問題を定式化する。 建物内の微小気候のイベントトリガー制御のための2つの学習アルゴリズムを提案する。 スマートなサーモスタットを設計することで,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-01-28T18:20:43Z)

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。