基于 LSTM 和环境传感器的室内人数统计
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
通过在二氧化碳浓度的空间分布上进行定量分析,本研究提出了两种新颖的用于基于 CO2 浓度的房间占有检测的特征,通过支持向量机作为分类器,将房间占有状态检测的准确率提高 14.8 个百分点,达到 83.2%(F1 得分 0.84)。同时,房间占有数量检测的性能也得到了显著提升,与基线相比,提高了 25.3 个百分点,达到 56%(均方根误差 11.44 人),进一步加入通风信息后,性能提高到 61.8%(均方根误差 9.02 人)。通过将空间特征纳入模型中,仅使用 CO2 相关特征的模型展现了与包含额外通风信息的模型类似的性能,从而为自然通风建筑提供了更好的低成本占有检测方法。
Mar, 2024
本研究通过使用历史能源数据、占用模式和天气条件,引入了一种基于长短期记忆(LSTM)模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较,我们的 LSTM 模型在所有指标上表现出色,具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差(MAE)。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估,我们解决了过拟合(方差)和欠拟合(偏差)的问题。总结而言,我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型,为能源预测做出了贡献。
Sep, 2023
本文介绍了基于 LoRaWAN 的智能校园数据集,并使用 k 最近邻解决方案处理缺失值,并使用 LSTM 预测未来数据。最后,使用深度神经网络预测基于传感器读数的房间内人数。研究表明,模型在预测人数方面有 95% 的准确性,数据集公开并详细描述,为探索其他特征和应用提供了机会。
Apr, 2023
本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态,并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习,通过评估精度和召回率等指标来确定哪种方法最适合此问题。
Jul, 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 Lidar 网格融合和循环神经网络,我们针对自动驾驶中的复杂市区场景进行长期预测,并通过 RNN 训练将场景数据转化为序列,以预测未来的占用率,其中包括卷积长短时记忆(ConvLSTMs)来区分静态和动态区域,预测未来帧中的动态对象,并提供了一种新的经过递归跳跃连接的方法,可以预测遮挡静态区域或者遮挡的小物品,例如行人。
Sep, 2018
本文提出了一种基于 LSTM 网络的公共建筑物能耗预测方法,包括数据处理、训练和验证、预测三个步骤,并使用 MAE 和 MAPE 等评价指标对英国国家档案馆主楼的每半小时测量数据集进行了测试。
Jul, 2022
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