在大型建筑中工作的人可能会遇到工作空间太热或太冷的经历。在这样的建筑中调节温度对于确保使用空间的人的舒适度以及最大限度地提高建筑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)模型可以帮助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和居住者主观热感知之间的复杂关系，但这些模型也可能带来问题，例如有偏见的人类感知数据和不确定性，这些不确定性可能导致不准确的预测和对建筑物的低效控制。

　　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一组研究人员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)来发现和纠正人类对温度反应的偏差。

　　在《建筑与环境》杂志的研究中，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。该研究利用了建筑物居住者在回答有关其热舒适的多个相关问题时提供的相互矛盾的信息，以找到建筑物中大多数人的真正“舒适区”。该研究分析了与当前方法相关的校准错误问题，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说:“这项工作有可能有助于节约能源，而不会让许多使用这些大型建筑的人抱怨不舒服。”

　　Tang指出，目前使用的有缺陷的数据集可能会导致过度的能源消耗。虽然人体的舒适度取决于湿度和温度等因素，但衣服也有一定的影响。

　　“除了一个人对温度的感知，还有很多因素，”唐说。“这项工作是利用人们在面对一些相关的热舒适问题时的问答行为来调整自我冲突和估计现实。”

　　考虑到数据集的大小、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著提高目前使用的模型的预测可靠性并减少误差。

　　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，目标是实现更可靠的热感知预测。这项工作可能会导致更好的策略来控制建筑物的温度，使居住者更舒适，减少能源消耗。

　　更多信息:熊若新等，基于机器学习的热感知预测中的主观数据偏差和模型预测不确定性，建筑与环境(2023)。DOI: 10.1016/j.b ebuildenv .2023.111053由卡内基梅隆大学材料科学与工程提供引文:通过机器学习找到舒适的温度(2024年，1月24日)检索自2024年1月24日https://techxplore.com/news/2024-01-comfortable-temperature-machine.html本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。