跳动城乡网在大型建筑中工作过的人可能有过工作空间太热或太冷的经历。调节此类建筑物的温度对于确保空间使用者的舒适度以及最大限度地提高建筑物的能源效率至关重要。
供暖、通风和空调(HVAC)系统通常难以平衡这些需求，但机器学习(ML)模型有助于预测人们对建筑物不同区域温度的感受，从而提高效率。虽然这些模型可以说明物理环境与居住者的主观热感知之间的复杂关系，但这些模型也可能提出一些问题，例如人类感知数据的偏差和不确定性，这些问题可能导致预测不准确和建筑物控制效率低下。
为了改进这种机器学习方法，来自土木与环境工程系和卡内基梅隆大学的研究人员团队提出了一种结合数据和模型的方法，使用多维关联规则挖掘(M-ARM)来发现并纠正人类的偏见对温度的反应。
在《建筑与环境》的研究中，他们在七个机器学习模型上测试了这种方法，发现它提高了预测人们对温度的感受的准确性。该研究利用建筑物居住者在回答有关热舒适度的多个相关问题时提供的相互矛盾的信息，为建筑物中的大多数人找到真正的“舒适区”。该研究分析了与当前方法相关的错误校准问题，并使用M-ARM识别了主观数据偏差的潜在实例。
领导这项研究的土木与环境工程副教授唐平波表示：“这项工作有可能有助于节约能源，而且不会让许多使用这些大型建筑的人抱怨不舒服。”
唐指出，目前使用的有缺陷的数据集可能会导致能源消耗过多。虽然人类的舒适度取决于湿度和温度等维度，但服装也发挥着一定作用。
“不仅仅是一个人对温度的感知，还有更多的因素，”唐说。“这项工作是关于利用人们在面临一些相关的热舒适问题时的问答行为来调整自我冲突并估计现实。”
考虑到数据集大小、不同类型的分类器和校准方法等影响因素，作者发现它们可以显着提高预测可靠性并减少当前使用的模型中的错误。
这项研究的结果为基于机器学习的策略的进步提供了见解，其目标是实现更可靠的热感知预测。这项工作可能会带来更好的控制建筑物温度的策略，使居住者更加舒适并减少能源消耗。
