69、机器学习在实时热舒适度预测与神经网络学习方法中的应用

机器学习在实时热舒适度预测与神经网络学习方法中的应用

1. 实时热舒适度预测的机器学习技术

1.1 数据收集

在2021年2月至9月期间，于北卡罗来纳农业与技术州立大学的人工智能与可视化实验室开展了实验。该实验室采用空调制冷策略。实验招募了15名年龄在19岁至34岁之间的受试者，其中男性9名，女性6名，以协助进行数据收集。

使用二氧化碳、温度和湿度传感器收集实验室内部的环境数据。温度和湿度传感器通过Optrix PI 160相机进行校准，该相机对传感器所在区域进行监测。这些传感器与Arduino Uno微控制器相连，再连接到台式计算机。借助CoolTerm软件，每分钟流式传输一次环境数据，同时受试者需完成一份关于热感觉、舒适度、可接受性和偏好的Google表单调查。将环境数据和调查数据根据时间戳进行合并，以便进一步分析。本研究共使用了140个观测值。

1.2 多类多输出分类模型

多类多输出分类是一种具有多个目标变量且目标类别超过两个的分类任务。Scikit - learn API提供了MultiOutputClassifier类，可用于对多输出数据进行分类。

多类多输出分类模型基于性别、年龄、室内温度、湿度、二氧化碳浓度、活动水平和时间序列特征进行训练。目标变量包括热舒适度、热偏好、热可接受性和热感觉，这些是通过受试者调查收集的主观投票。由于目标变量为文本性质，使用标签编码对其进行编码，使其与机器学习算法兼容。数据集按80%和20%的比例分别划分为训练集和测试集。

1.3 实验结果

使用Scikit - learn API支持的四种多类多输出模型（决策树、Extra T