冬季舒适度的时间变化的深度学习
本研究针对能源效率和实际应用的目标,在自然通风的小学教室中进行了为期一个月的实地实验,并提出了一种名为 DeepComfort 的多任务深度学习模型,可同时预测室内热舒适度(包括热感觉、热舒适度和热偏好)多个指标的输出,该模型证明了高的 F1 分数、准确度(>90%)和泛化能力,在 ASHRAE-II 数据库和本研究所创建的数据集上进行了验证。DeepComfort 也显示出优于 6 种常见的单任务机器学习算法的性能。据我们所知,这项工作是将多任务学习应用于教室热舒适度预测的首次尝试。
Apr, 2022
我们的研究验证了我们对连续和分类任务的预测框架的有效性,并强调通过包含时间方面来提高预测能力的潜力。该研究凸显了机器学习在塑造节能实践和房间占用管理方面的前景。
Dec, 2023
本文提出了一种基于 LSTM 深度学习网络的框架,用于以高空间分辨率生成未来一天每小时的气温预测,并利用纽约市的历史原位观测和物联网观测进行了案例研究,旨在解决在城市环境下,由于热岛效应导致空气温度预测存在空间分辨率和历史气候样本不足等问题。
Feb, 2021
使用运动和环境传感器的基于机器学习的室内定位系统,在关注隐私的工厂环境中实现对移动实体的定位,通过多元时间序列分类进行问题建模,并比较分析不同的机器学习模型的准确性、内存使用和推理速度。结果表明,评估的所有模型均能实现超过 80%的准确性;其中,CNN-1D 表现最平衡,其次是 MLP;DT 的内存占用和推理延迟较低,表明在实际场景中有潜力进行部署。
Aug, 2023
本文介绍了一个基于浅层监督学习的控制算法来训练人工智能子系统,以实现住宅用途的物联网(IoT)系统中的热舒适度。为了解决由于不可靠的训练数据所引起的过拟合问题,本文提供了 ASHRAE 数据库的数据过滤和语义数据增强算法,并提出了基于温湿度图的降过拟合检查方法。
Mar, 2023
通过使用来自 Sentinel-3 卫星、气象预测和其他遥感输入的数据,本研究介绍了一种新颖的机器学习模型,旨在生成详细的时空地图,预测都灵市 24 小时内的最高温度。实验结果表明,该模型在预测温度模式方面表现出色,对于 2023 年分辨率为每像素 20 米的情况,均方根误差为 2.09 摄氏度,从而丰富了我们对城市气候行为的认识。这项研究增进了我们对城市微气候的理解,强调了跨学科数据整合的重要性,并为缓解极端城市温度的负面影响的知情决策制定奠定了基础。
May, 2024
通过一种新颖的建模框架,我们可以有效地编码季节性气候预测,为供应链功能提供强大而可靠的时间序列预测。这种编码框架通过模块化神经网络架构实现了对潜在表示的有效学习,从而使得在多个实际数据集上,相对于现有需求预测方法,将季节性气候预测结果建模的误差降低了大约 13%至 17%。
Sep, 2023
该研究提出了六种基于物理学的机器学习模型来准确估计室内污染物浓度,这些模型包括物理状态空间概念、门控循环单元和分解技术的巧妙组合。这些模型相对简单,计算效率更高,且能够捕捉常常受到传感器采集的室内空气质量时间数据的非线性模式。
Aug, 2023