CN109960886A - 一种空气舒适度评价方法、装置及空气调节设备 - Google Patents
一种空气舒适度评价方法、装置及空气调节设备 Download PDFInfo
- Publication number
- CN109960886A CN109960886A CN201910253646.3A CN201910253646A CN109960886A CN 109960886 A CN109960886 A CN 109960886A CN 201910253646 A CN201910253646 A CN 201910253646A CN 109960886 A CN109960886 A CN 109960886A
- Authority
- CN
- China
- Prior art keywords
- comfort
- indoor air
- parameter
- prediction model
- air comfort
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开了一种室内空气舒适度评价方法、装置及空气调节设备,用于实现对用户的室内空气舒适度做出有效且具有较好指导性的评价。本发明实施例中,首先获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型;然后将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;最后根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
Description
技术领域
本发明涉及空气调节器技术领域,特别是涉及一种室内空气舒适度评价方法、装置及空气调节设备。
背景技术
室内空气舒适度评价是认识室内环境的一种科学方法,它反映在某个具体的环境内,环境要素对人群工作生活的舒适程度,而不是简单的合格或不合格的判断。科学准确地进行室内空气舒适度评价十分必要。
室内空气质量标准GBT18883-2002从人体健康的角度出发,较为全面地评价了室内空气质量,对于性能指标要求较高,也是目前室内空气检测最为推荐的国家标准。其中共设定19项检验指标,其中物理性能用温度,相对湿度,空气流速,新风量指标评价;化学方面有二氧化硫,二氧化碳,一氧化碳,二氧化氮,氨、臭氧、甲醛、苯、甲苯、二甲苯、并芘、可吸入颗粒物、总挥发性有机物13个指标评价;生物性能方面,有菌落总数;放射性角度则依据氡的含量(年平均值)进行评判。除了物理性之外的剩余15种评价指标如表1所示。
表1. 我国室内空气健康性指标控制
表1中化学性、生物性、放射性的15种空气质量评价标准直接关系到人体健康,标准较为统一。但是对于温度、湿度、空气流速和新风量4个物理性评价指标来说,单单使用上述标准的质量评价指标是不全面的,因为从用户感知的舒适度层面上来说,不同的用户对这些指标感觉到舒适度的评价是不相同的,没有一个统一的标准去衡量。
人体舒适度指数(Comfort Index of Human Body)是利用气温、湿度与风速3个指标来表征人体舒适度的方法。但是,人体舒适度指数是反映多数人群的舒适度感受的指标,而不是针对不同的用户个体的舒适度感受;另外,人体舒适度指数是针对较大区域而言的,其不适用于评价用户室内空气的舒适度情况。
由此可见,现有技术的空气评价方法中,不能针对不同的用户的室内环境进行个性化的有效评价,导致空气评价的指导效果较差的问题。
发明内容
有鉴于此,本发明的目的在于提供一种室内空气舒适度评价方法、装置及空气调节设备,旨在实现对室内的空气舒适度做出有效的评价,解决现有技术中空气评价的指导效果较差的技术问题。
为达上述目的,本发明实施例提供以下技术方案:
第一方面,本发明实施例提供一种室内空气舒适度评价方法,包括:
获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,所述样本数据集包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据;
将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;
根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
第二方面,本发明实施例还提供一种室内空气舒适度评价装置,包括:
模型获取模块,用于获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,所述样本数据集包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据;
模型预测模块,用于将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;
舒适度评价模块,用于根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
此外,本发明实施例还提供一种空气调节设备,包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空气舒适度评价程序,所述空气舒适度评价程序被所述处理器执行时实现如以上所述的室内空气舒适度评价方法的步骤。
从以上技术方案中可以看出,本发明实施例具有以下优点:
本发明实施例中,首先获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,所述样本数据集包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据;然后将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;最后根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。由于室内空气舒适度参数预测模型是通过从用户中提取出的样本数据集训练得到,样本数据集来源于用户,用户的空气参数可以通过该室内空气舒适度参数预测模型进行舒适度评价,从而可以实现对用户的室内空气舒适度做出有效的评价,评价的指导效果较好。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来说,还可以根据这些附图获得其它的附图。
图1是根据本发明一个实施例提供的一种室内空气舒适度评价方法的流程框图;
图2是根据本发明一个实施例提供的室内空气舒适度评价方法的流程示意图;
图3是根据本发明的一个实施提供的一种室内空气舒适度评价装置的框图;
图4是根据本发明的另一个实施提供的一种室内空气舒适度评价装置的框图;及,
图5是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下方对本发明的细节描述中,详尽描述了一些特定的细节部分,为了避免混淆本发明的实质,公敌的方法、过程、流程、元件并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书的“包括”、“包含”等类似词语应当解释为包含的含义而还是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明中的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面参考附图描述本发明实施例的室内空气舒适度评价方法、装置及空气调节设备。
首先,对本发明实施例的室内空气舒适度评价方法进行说明。
图1为根据本发明的一个实施例的室内空气舒适度评价方法的流程框图。如图1所示,本发明实施例的室内空气舒适度评价方法包括以下步骤:
S100,获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,所述样本数据包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据;
S200,将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;
S300,根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
下面按各个步骤分别进行具体的说明。
S100,获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,所述样本数据包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据;
在本发明实施例中,首先获取得到可用于预测室内空气舒适度参数值的室内空气舒适度参数预测模型。本发明实施例采用卷积神经网络算法来构建室内空气舒适度参数预测模型,以卷积神经网络算法为基础,通过训练学习,得到室内空气舒适度参数预测模型。其中,卷积神经网络算法(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。
在本发明实施例中,室内空气舒适度参数预测模型通过卷积神经网络算法从中学习得到,其中,样本数据集包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据。通常情况下,每个用户都会将室内的空气参数调节到自己感觉最舒适的数值,因此,从用户中提取到样本数据集,通过该样本数据集训练出来的室内空气舒适度参数预测模型,可以用于对用户的室内空气参数进行舒适度评价。
在本发明的一些实施例中,步骤S100获取通过卷积神经网络算法从样本数据集中训练得到的室内空气舒适度参数预测模型之前,本发明实施提供的室内空气舒适度评价方法还可以包括如下步骤:
S101,从用户终端获取多个用户的用户信息数据,所述用户信息包括性别、年龄、地域和家庭人数;及,通过空气参数采集装置获取所述多个用户对应的室内空气舒适度参数值数据,所述室内空气舒适度参数包括温度、湿度、空气流速、新风量中的至少一个;
S102,以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对室内空气舒适度参数预测模型进行训练学习,输出学习得到的室内空气舒适度参数预测模型。
在本实施例中,从用户终端获取多个用户的用户信息数据,其中,用户终端包括常见的各种智能设备,包括智能手机、平板、电脑或者其它智能设备,具体可以通过用户终端上的应用程序获取多个用户的用户信息数据,例如:手机APP,网页web端,微信小程序等的应用程序。特别地,用户终端也可以是带智能模块的各种空气调节设备,随着智能家居的普及,现在的很多家电产品也可具备智能模块,可实现各种智能功能。
在本实施例中,用户信息包括性别、年龄、地域和家庭人数。在本发明实施例中,室内空气参数的舒适度评价分数是从用户感知的层面出发,故具有个体差异性,也无法进行标准化,舒适度与年龄,性别,地区有关,例如对于老人来说,身体代谢速度缓慢,相对于年轻人来说更喜欢温暖一些的环境,对于北方人和南方人来说,对湿度的接受能力也不一样,因此为了更好的贴近于不同客户的需求,需要用户输入年龄,性别,地区(以省份进行划分)和家庭人口总数。需要说明的是在本发明实施中重点关注性别,年龄,地域,家庭总人口数,因此仅以这几个维度进行阐述,根据不同需求场合可以对以上维度进行细分或者增删,在此不再赘述。
在本实施例中,通过空气参数采集装置获取所述多个用户对应的室内空气舒适度参数值数据。空气参数采集装置位于用户的室内,例如,空气参数采集装置设置在用户的空调器中,其上设有对环境空气参数的检测的传感器,包括温度传感器、湿度传感器、空气流速传感器、新风量传感器等。空气参数采集装置可以是单独的物理硬件设备,也可以是集成到各种空气调节设备中的硬件模块。
通过上述空气参数采集装置对室内空气参数进行采集,在采取的过程中,空气参数采集装置对所采集的空气参数与室内空气质量标准GBT18883-2002进行比较,若所采集的空气参数不能全部满足GBT18883-2002的标准要求,则空气参数采集装置舍弃该次采取的空气参数,并向用户发出危害健康的警报。通过此方法,保证了所采集到的样本数据集的室内空气舒适度参数值数据是符合GBT18883-2002的标准要求,进而使用该样本数据集进行训练学习得到的室内空气舒适度参数预测模型的可靠性,提高对用户的指导性。
在本实施例中,所述室内空气舒适度参数包括温度、湿度、空气流速、新风量中的至少一个。需要说明的是,在本发明实施例中,对室内空气温度、湿度、空气流速和新风量四种空气参数进行采集。在另外的一些实施例中,其实也可以不局限于这四种空气参数。
在本实施例中,在所述样本数据集中,所述室内空气舒适度参数值数据与所述用户信息数据一一对应,即每一个用户的用户信息对应一组室内空气舒适度参数值。例如,收集到的一组用户信息数据为:年龄:28,性别:女,地区:广东省,家庭人口总数:2;其对应的室内空气舒适度参数值数据为:室内空气温度:26.5°,湿度:85%,空气流速:0.3m/s,新风量:25m3/h。因此,由该样本数据集进行训练学习得到的室内空气舒适度参数预测模型,向该预测模型输入用户的用户信息后所得到的空气舒适度参数预测值,是与该用户个性化情况相适合的空气舒适度参数,预测结果与用户个体情况相对应,因而对用户有较好的指导性。
在本发明的一些实施例中,步骤S102以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对室内空气舒适度参数预测模型进行训练学习,输出学习得到的室内空气舒适度参数预测模型,具体可以包括如下步骤:
S102-1,以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对多个室内空气舒适度参数预测模型进行训练学习,输出学习得到的多个室内空气舒适度参数预测模型。
也就是说,本发明实施例中,在模型训练阶段可以使用样本数据集训练多个室内空气舒适度参数预测模型,则可以输出多个学习得到的多个室内空气舒适度参数预测模型。在这种实施方式下,步骤S100获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,具体可以包括如下步骤:
S100-1,获取所述多个室内空气舒适度参数预测模型的评估指标值;
S100-2选取所述评估指标值最大的的室内空气舒适度参数预测模型作为获取到的空气舒适度参数预测模型。
也就是说,在执行步骤S102-1的实现方式下,本发明实施例可以执行步骤S100-1和步骤S100-2,获取所述多个室内空气舒适度参数预测模型的评估指标值;选取所述评估指标值最大的室内空气舒适度参数预测模型作为获取到的空气舒适度参数预测模型。其中,评估指标值是室内空气舒适度参数预测模型的预测效果优劣的衡量指标。评估指标值有很多种,包括单值评估指标,如:准确率,以及多值评估指标,如:查准率(Precision,又译作精度)和查全率(Recall,又译作召回率)等,具体此外不作具体限定。从多个室内空气舒适度参数预测模型中选择出的室内空气舒适度参数预测模型可以作为后续步骤S200中预测空气舒适度参数值所用的模型。通过多个室内空气舒适度参数预测模型的选择,可以使用评估指标值最大的室内空气舒适度参数预测模型,从而提高模型预设的准确性,实现对室内的空气舒适度做出有效的评价。
在本发明的一些实施例中,步骤102以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对室内空气舒适度参数预测模型进行训练学习,输出学习得到的室内空气舒适度参数预测模型,具体可以包括如下步骤:
S102-A,将样本数据集分成两部分,得到训练样本数据集和测试样本数据集,所述训练样本数据集包括:训练用户信息数据以及所述训练用户信息数据对应的室内空气舒适度参数值数据,所述测试样本数据集包括:测试用户信息数据以及所述测试用户信息数据对应的室内空气舒适度参数值数据;
S102-B,对所述训练样本数据集进行特征工程分析得到第一特征数据,根据所述第一特征数据对所述室内空气舒适度参数预测模型进行预测优化,输出训练完成的室内空气舒适度参数预测模型;
S102-C,对所述测试样本数据集进行特征工程分析得到第二特征数据,根据所述第二特征数据对所述训练完成的室内空气舒适度参数预测模型进行评测优化,输出学习得到的所述室内空气舒适度参数预测模型。
其中,在步骤S102-A中,首先将样本数据集分成两部分,得到训练样本数据集(training set)和测试样本数据集(test set)。训练样本数据集是用来训练室内空气舒适度参数预测模型的,确定模型最优的参数权重;测试样本数据集是用来评估验证室内空气舒适度参数预测模型的性能,即评价这个模型的泛化能力(generalization)。泛化能力是估计模型在训练集以外的样本的预测能力。在实际应用中,可以按照数据比例来划分样本数据,将样本数据集分为训练样本数据集和测试样本数据集,例如,可以将样本数据集的80%的样本数据作为训练样本数据集,20%的样本数据作为测试样本数据集。特别地,训练样本数据集和测试样本数据集都是从样本数据集中随机抽取的。
对样本数据集进行划分后,首先对训练样本数据集执行步骤S102-B,对所述训练样本数据集进行特征工程分析得到第一特征数据,根据所述第一特征数据对所述室内空气舒适度参数预测模型进行预测优化,输出训练完成的室内空气舒适度参数预测模型。其中,特征工程是是把原始数据转变为更好的训练数据特征,即从原始数据中找出对所要训练的模型所处理的实际问题来说最有效的特征,使得模型的性能得到提升。本发明实施例中,对训练样本数据集进行特征工程分析之后,可以得到训练样本数据集的第一特征数据,通过第一特征数据对所述室内空气舒适度参数预测模型进行预测优化,得到模型最优的参数权重,然后输出训练完成的室内空气舒适度参数预测模型。
在输出训练完成的室内空气舒适度参数预测模型后,可以执行步骤S102-C,对所述测试样本数据集进行特征工程分析得到第二特征数据,根据所述第二特征数据对所述训练完成的室内空气舒适度参数预测模型进行评测优化,输出学习得到的所述室内空气舒适度参数预测模型。具体地,对测试样本数据集进行特征工程分析之后,可以得到测试样本数据集的第二特征数据,通过第二特征数据对步骤S102-B中训练完成的室内空气舒适度参数预测模型进行评测优化,进而得到模型最优的超参数,然后输出学习得到的所述室内空气舒适度参数预测模型。其中,超参数是在模型开始训练学习之前设置值的参数,而不是通过训练得到的参数权重。通过步骤S102-C,对超参数进行优化,确定预测模型最优的超参数,从而提高预测模型的性能和效果。
在本发明的一些实施例中,步骤S102-C对所述测试样本数据集进行特征工程分析得到第二特征数据,根据所述第二特征数据对所述训练完成的室内空气舒适度参数预测模型进行评测优化,输出学习得到的所述室内空气舒适度参数预测模型,具体可以包括如下步骤:
S102-C1获取所述训练完成的室内空气舒适度参数预测模型的评估指标值;
S102-C2根据所述评估指标值,输出学习得到的所述室内空气舒适度参数预测模型;或者,根据所述评估指标值,对所述室内空气舒适度参数预测模型的超参数进行优化后,重新根据所述样本数据集进行训练学习,输出学习得到的所述室内空气舒适度参数预测模型。
首先,获取所述训练完成的室内空气舒适度参数预测模型的评估指标值,其中,评估指标值,如前面所述,是室内空气舒适度参数预测模型的预测效果优劣的衡量指标。评估指标值有很多种,包括单值评估指标,如:准确率,以及多值评估指标,如:查准率(Precision,又译作精度)和查全率(Recall,又译作召回率)等。
然后,根据所述评估指标值,输出学习得到的所述室内空气舒适度参数预测模型。或者,根据所述评估指标值,对所述室内空气舒适度参数预测模型的超参数进行优化后,重新根据所述样本数据集进行训练学习,输出学习得到的所述室内空气舒适度参数预测模型。具体地,如果所述评估指标值达到了预设的评估指标值,即可输出学习得到的所述室内空气舒适度参数预测模型。如果所述评估指标值没有达到了预期的评估指标值,需要重新根据所述样本数据集进行训练学习,也即需要根据本发明实施例中步骤S102-B进行重新训练学习,重新得到预测模型最优的参数权重,并且评估指标值达到了预设的评估指标值后,输出学习得到的所述室内空气舒适度参数预测模型。
S200,将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;
在本发明实施例中,获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型之后,该室内空气舒适度参数预测模型用于室内空气舒适度参数值的预测,通过前述步骤的描述可知,室内空气舒适度参数预测模型使用样本数据集使用卷积神经网络算法进行训练,该样本数据集包括从用户终端获取多个用户的用户信息数据,和通过空气参数采集装置获取所述多个用户对应的室内空气舒适度参数值数据,完成训练的室内空气舒适度参数预测模型可以根据用户信息预测该用户的室内空气舒适度参数值。例如,利用步骤S100中训练好的预测模型,某一用户的用户信息为:年龄:40,性别:男,地区:广东省,家庭人口总数:3,将该用户信息输入该室内空气舒适度参数预测模型中,预测模型将输入适合该用户的室内空气舒适度参数值:空气温度:28°,湿度:70%,空气流速:0.2m/s,新风量:30m3/h。
S300,根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
在本发明实施例中,通过步骤S200将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测之后,可以根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
在本发明的一些实施例中,步骤S300根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数,可以包括以下步骤:
S301,根据所述室内空气舒适度参数预测值,对所述待评价的室内空气参数进行评级,得到所述待评价的室内空气参数的评分级别;
将步骤S200中所述室内空气舒适度参数预测模型根据用户信息预测输出的室内空气舒适度参数预测值,对该用户的空气参数进行评级,,分为A(优异),B(良好),C(一般),D(不舒适)。
S302,根据所述待评价的室内空气参数的评分级别,得到所述待评价的室内空气参数的舒适度分数。
具体地,根据所述待评价的室内空气参数的评分级别,计算所述待评价的室内空气参数的舒适度分数,具体方法如下:
(a)若有一项空气参数评级为D,则该用户的待评价的室内空气参数的舒适度分数为不及格;
(b)若四项的空气参数全部评级都在D以上,即评级为A、B或C中的一种,则令初始评分为60分,总评分= 60 +(评级为A的空气参数个数)×10 +(评级为B的空气参数个数)×5,将所有项的空气参数等级映射到常用的百分制分数。例如,空气参数的等级分别为:温度:A,湿度:A,空气流速:B,新风量:C,则利用该评分准则得到的最终评分为:(60+2*10+5*1)=85。
在本发明的一些实施例中,步骤S301根据所述室内空气舒适度参数预测值,对所述待评价的室内空气参数进行评级,得到所述待评价的室内空气参数的评分级别,可以包括以下步骤:
S301-1,根据所述室内空气舒适度参数预测值,确定所述室内空气舒适度参数评级区间,将所述待评价的室内空气参数与所述室内空气舒适度参数评级区间对比,得到所述待评价的室内空气参数的评分级别。
具体地,根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值的某一项空气参数输出为Y,则在(0.95Y-1.05Y)范围内评级为A,在(0.85Y-0.95Y]和[1.05Y-1.15Y)范围内评级为B,在(0.80Y-0.85Y]和[1.15Y-1.2Y)范围内评级为C,不在ABC范围内的评级为D。例如模型输出的温度为28°,当室内的实际温度为29°时,温度评级为A,当室内的实际温度为30°时,温度评级为B,当室内温度为33°时评级为C,当温度为35°时,评级为D。以此类推计算其他项的空气参数对应的评级。
在本发明的一些实施例中,所述室内空气舒适度评价方法,还包括以下步骤:
S400,通过至少以下方式之一,输出所述舒适度分数:将所述舒适度分数发送至预设的用户终端;或者,显示所述舒适度分数;或者,根据所述舒适度分数生成空气调节设备的操作提示便信息,对以预设方式对用户进行提醒。
具体地,在经过步骤S100至S300获取得到与用户个性化情况相适应的舒适度分数后,可以通过各种方式输出舒适度分数,进行提醒用户,包括:将所述舒适度分数发送至预设的用户终端;或者,通过显示装置来显示所述舒适度分数,通过显示的方式对用户进行提醒;或者,根据所述舒适度分数生成空气调节设备的操作提示便信息,并以预设方式对用户进行提醒。通过各种输出方式对用户进行提醒,从而更好地对用户进行指导,指导效果较好。
如图2所示,在本发明实施例提供的室内空气舒适度评价方法的流程示意图中,首先对训练样本数据进行特征工程分析,进而完成对室内空气舒适度参数预测模型的训练,然后,同样对测试样本数据进行特征工程分析,从而完成对室内空气舒适度参数预测模型的测评,经过迭代优化,得到最终的室内空气舒适度参数预测模型。在实际运用过程中,将需要进行室内空气舒适度评价的用户信息输入到该室内空气舒适度参数预测模型中,由该预测模型输出得到室内空气舒适度参数预测值,根据所述室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
通过上述室内空气舒适度评价方法的说明可知,由于室内空气舒适度参数预测模型是通过从用户中提取出的样本数据集训练得到,样本数据集来源于用户,用户的空气参数可以通过该室内空气舒适度参数预测模型进行舒适度评价,从而可以实现对用户的室内空气舒适度做出有效的评价,评价的指导效果较好。
为便于更好地实施本发明实施例的上述方案,本发明还提供了用于实施上述方案的相关装置。
下面参照附图描述根据本发明实施提供的一种室内空气舒适度评价装置。
如图3所示,本发明实施例提的一种室内空气舒适度评价装置100,可以包括:模型获取模块101、模型预测模块102和舒适度评价模块103,其中,
模型获取模块101,用于获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,所述样本数据集包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据;
模型预测模块102,用于将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;
舒适度评价模块103,用于根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
在本发明的一些实施例中,如图4所示,所述的室内空气舒适度评价装置100,还可以包括:数据获取模块104和模型训练模块105,其中,
数据获取模块104,用于从用户终端获取多个用户的用户信息数据,所述用户信息包括性别、年龄、地域和家庭人数;及,通过空气参数采集装置获取所述多个用户对应的室内空气舒适度参数值数据,所述室内空气舒适度参数包括温度、湿度、空气流速、新风量中的至少一个;
模型训练模块105,用于以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对室内空气舒适度参数预测模型进行训练学习,输出学习得到的室内空气舒适度参数预测模型。
在本发明的一些实施例中,所述舒适度评价模块103,包括:空气参数评级单元和第一舒适度分数评分单元,其中,
空气参数评级单元,用于根据所述室内空气舒适度参数预测值,对所述待评价的室内空气参数进行评级,得到所述待评价的室内空气参数的评分级别;
第一舒适度分数评分单元,用于根据所述待评价的室内空气参数的评分级别,得到所述待评价的室内空气参数的舒适度分数。
在本发明的一些实施例中,所述空气参数评级单元,包括:
空气参数评级子单元,用于根据所述室内空气舒适度参数预测值,确定所述室内空气舒适度参数评级区间,将所述待评价的室内空气参数与所述室内空气舒适度参数评级区间对比,得到所述待评价的室内空气参数的评分级别。
在本发明的一些实施例中,所述模型训练模块105,包括:数据划分单元、第一模型处理单元和第二模型处理单元,其中,
数据划分单元,用于将样本数据集分成两部分,得到训练样本数据集和测试样本数据集,所述训练样本数据集包括:训练用户信息数据以及所述训练用户信息数据对应的室内空气舒适度参数值数据,所述测试样本数据集包括:测试用户信息数据以及所述测试用户信息数据对应的室内空气舒适度参数值数据;
第一模型处理单元,用于对所述训练样本数据集进行特征工程分析得到第一特征数据,根据所述第一特征数据对所述室内空气舒适度参数预测模型进行预测优化,输出训练完成的室内空气舒适度参数预测模型;
第二模型处理单元,用于对所述测试样本数据集进行特征工程分析得到第二特征数据,根据所述第二特征数据对所述训练完成的室内空气舒适度参数预测模型进行评测优化,输出学习得到的所述室内空气舒适度参数预测模型。
在本发明的一些实施例中,所述第二模型处理单元,包括:评估指标值获取子单元和模型优化子单元,其中,
评估指标值获取子单元,用于获取所述训练完成的室内空气舒适度参数预测模型的评估指标值;
模型优化子单元,用于根据所述评估指标值,输出学习得到的所述室内空气舒适度参数预测模型;或者,根据所述评估指标值,对所述室内空气舒适度参数预测模型的超参数进行优化后,重新根据所述样本数据集进行训练学习,输出学习得到的所述室内空气舒适度参数预测模型。
在本发明的一些实施例中,所述模型训练模块105,包括:
第一模型获取单元,用于以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对多个室内空气舒适度参数预测模型进行训练学习,输出学习得到的多个室内空气舒适度参数预测模型。
在此实施例中,所述模型获取模块101进一步包括:评估指标值获取单元和第二模型获取单元,其中,
评估指标值获取单元,用于获取所述多个室内空气舒适度参数预测模型的评估指标值;
第二模型获取单元,用于选取所述评估指标值最大的的室内空气舒适度参数预测模型作为获取到的空气舒适度参数预测模型。
在本发明的一些实施例中,所述室内空气舒适度评价装置100,还可以包括:
舒适度分数模块,用于将所述舒适度分数发送至预设的用户终端;或者,显示所述舒适度分数;或者,根据所述舒适度分数生成空气调节设备的操作提示便信息,对以预设方式对用户进行提醒。
本发明实施例装置可为空气调节器,也可为与空气调节器连接的控制装置,如家庭内的集中控制器,该集中控制器与各个家电设备连接以对各个家电设备进行控制,或者该装置也可为服务器,与空气调节器之间通过通信模块进行数据传输。
根据本发明实施例提供的室内空气舒适度评价装置,由于室内空气舒适度参数预测模型是通过从用户中提取出的样本数据集训练得到,样本数据集来源于用户,用户的空气参数可以通过该室内空气舒适度参数预测模型进行舒适度评价,从而可以实现对用户的室内空气舒适度做出有效的评价,评价的指导效果较好。
此外,发明另一方面实施例还提出的一种空气调节设备,所述空气调节设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空气舒适度评价程序,所述空气舒适度评价程序被所述处理器执行时实现上述具体实施例中任一所述的室内空气舒适度评价方法的步骤。
本实施例中所述的空气调节设备可为具有制冷以及制热功能的空气调节器,该空气调节器调节室内温度,并通过与室内其它空气调节器(如除湿机以及空气净化器等)进行交互实现室内空气的调整;或者,该空气调节器可为集成制冷、加湿、除湿、调节新风以及净化等功能的空调器,同时该空调器也可集成制热功能实现通过一个空气调节器即可调整整个室内环境。
最后,图5是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
如图5所示,该装置可以包括:处理器1001,例如CPU,通信总线1002、通信模块1003以及存储器1004。其中,通信总线1002用于实现这些组件之间的连接通信。网络接口1003可选的为无线接口(如WI-FI接口)、蓝牙接口以及ZIGBEE等无线网络接口。存储器1004可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1004可选的还可以是独立于前述处理器1001的存储装置。
本发明实施中的通信模块1003包括可与移动终端(如手机)进行通信的WIFI模块或者蓝牙模块。
本领域技术人员可以理解,图5中示出的硬件运行环境的装置结构并不构成对硬件运行环境的装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种计算机存储介质的存储器1004中可以包括操作系统以及空气舒适度评价程序。
在图5所示的硬件运行环境的装置中,处理器1001可以用于调用存储器1004中存储的空气舒适度评价程序,并执行实现上述具体实施例中任一所述的室内空气舒适度评价方法的步骤。
综上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照上述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对上述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种室内空气舒适度评价方法,其特征在于,所述空气舒适度评价方法包括以下步骤:
获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,所述样本数据集包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据;
将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;
根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
2.如权利要求1所述的方法,其特征在于,所述获取通过卷积神经网络算法从样本数据集中训练得到的室内空气舒适度参数预测模型之前,所述方法还包括:
从用户终端获取多个用户的用户信息数据,所述用户信息包括性别、年龄、地域和家庭人数;及,通过空气参数采集装置获取所述多个用户对应的室内空气舒适度参数值数据,所述室内空气舒适度参数包括温度、湿度、空气流速、新风量中的至少一个;
以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对室内空气舒适度参数预测模型进行训练学习,输出学习得到的室内空气舒适度参数预测模型。
3.如权利要求1或2所述的方法,其特征在于,所述根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数,包括:
根据所述室内空气舒适度参数预测值,对所述待评价的室内空气参数进行评级,得到所述待评价的室内空气参数的评分级别;
根据所述待评价的室内空气参数的评分级别,得到所述待评价的室内空气参数的舒适度分数。
4.如权利要求3所述的方法,其特征在于,所述根据所述室内空气舒适度参数预测值,对所述待评价的室内空气参数进行评级,得到所述待评价的室内空气参数的评分级别,包括:
根据所述室内空气舒适度参数预测值,确定所述室内空气舒适度参数评级区间,将所述待评价的室内空气参数与所述室内空气舒适度参数评级区间对比,得到所述待评价的室内空气参数的评分级别。
5.如权利要求2所述的方法,其特征在于,所述以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对室内空气舒适度参数预测模型进行训练学习,输出学习得到的室内空气舒适度参数预测模型,包括:
将样本数据集分成两部分,得到训练样本数据集和测试样本数据集,所述训练样本数据集包括:训练用户信息数据以及所述训练用户信息数据对应的室内空气舒适度参数值数据,所述测试样本数据集包括:测试用户信息数据以及所述测试用户信息数据对应的室内空气舒适度参数值数据;
对所述训练样本数据集进行特征工程分析得到第一特征数据,根据所述第一特征数据对所述室内空气舒适度参数预测模型进行预测优化,输出训练完成的室内空气舒适度参数预测模型;
对所述测试样本数据集进行特征工程分析得到第二特征数据,根据所述第二特征数据对所述训练完成的室内空气舒适度参数预测模型进行评测优化,输出学习得到的所述室内空气舒适度参数预测模型。
6.如权利要求5所述的方法,其特征在于,所述根据所述第二特征数据对所述训练完成的室内空气舒适度参数预测模型进行评测优化,输出学习得到的所述室内空气舒适度参数预测模型,包括:
获取所述训练完成的室内空气舒适度参数预测模型的评估指标值;
根据所述评估指标值,输出学习得到的所述室内空气舒适度参数预测模型;或者,根据所述评估指标值,对所述室内空气舒适度参数预测模型的超参数进行优化后,重新根据所述样本数据集进行训练学习,输出学习得到的所述室内空气舒适度参数预测模型。
7.如权利要求2所述的方法,其特征在于,所述以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对室内空气舒适度参数预测模型进行训练学习,输出学习得到的室内空气舒适度参数预测模型,包括:
以所述用户信息数据以及所述室内空气舒适度参数值数据作为样本数据集,通过卷积神经网络算法对多个室内空气舒适度参数预测模型进行训练学习,输出学习得到的多个室内空气舒适度参数预测模型;
所述获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,包括:
获取所述多个室内空气舒适度参数预测模型的评估指标值;
选取所述评估指标值最大的的室内空气舒适度参数预测模型作为获取到的空气舒适度参数预测模型。
8.如权利要求1-7任一所述的方法,其特征在于,所述方法还包括:通过至少以下方式之一,输出所述舒适度分数:
将所述舒适度分数发送至预设的用户终端;或者,显示所述舒适度分数;或者,根据所述舒适度分数生成空气调节设备的操作提示便信息,对以预设方式对用户进行提醒。
9.一种室内空气舒适度评价装置,其特征在于,所述室内空气舒适度评价装置包括:
模型获取模块,用于获取通过卷积神经网络算法从样本数据集中学习得到的室内空气舒适度参数预测模型,所述样本数据集包括:多个用户的用户信息数据及所述多个用户对应的室内空气舒适度参数值数据;
模型预测模块,用于将待评价的室内空气参数对应的用户信息输入到所述室内空气舒适度参数预测模型中,进行室内空气舒适度参数值的预测;
舒适度评价模块,用于根据所述室内空气舒适度参数预测模型预测后输出的室内空气舒适度参数预测值,得到所述待评价的室内空气参数的舒适度分数。
10.一种空气调节设备,其特征在于,所述空气调节设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空气舒适度评价程序,所述空气舒适度评价程序被所述处理器执行时实现如权利要求1-8中任一项所述的室内空气舒适度评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910253646.3A CN109960886B (zh) | 2019-03-30 | 2019-03-30 | 一种空气舒适度评价方法、装置及空气调节设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910253646.3A CN109960886B (zh) | 2019-03-30 | 2019-03-30 | 一种空气舒适度评价方法、装置及空气调节设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109960886A true CN109960886A (zh) | 2019-07-02 |
CN109960886B CN109960886B (zh) | 2020-09-29 |
Family
ID=67025381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910253646.3A Active CN109960886B (zh) | 2019-03-30 | 2019-03-30 | 一种空气舒适度评价方法、装置及空气调节设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109960886B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309609A (zh) * | 2019-07-06 | 2019-10-08 | 桂林电子科技大学 | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 |
CN111830200A (zh) * | 2020-05-13 | 2020-10-27 | 浚鸿数据开发股份有限公司 | 小区域即时空气污染评估系统及其方法 |
CN112329098A (zh) * | 2020-10-26 | 2021-02-05 | 同济大学 | 一种高性能居住建筑新风量设计方法 |
CN112686449A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司经济技术研究院 | 基于人体气象舒适度指数的居民用电预测方法 |
CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
CN115342488A (zh) * | 2022-08-08 | 2022-11-15 | 哈尔滨工业大学 | 一种超低能耗住宅新风系统智能控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680025A (zh) * | 2012-06-06 | 2012-09-19 | 安徽农业大学 | 一种室内热舒适度评价系统 |
CN104490371A (zh) * | 2014-12-30 | 2015-04-08 | 天津大学 | 一种基于人体生理参数的热舒适检测方法 |
JP2015113997A (ja) * | 2013-12-09 | 2015-06-22 | 三菱電機株式会社 | 空気調和システム、空気調和機、空気調和方法、及び、プログラム |
CN105844627A (zh) * | 2016-03-21 | 2016-08-10 | 华中科技大学 | 一种基于卷积神经网络的海面目标图像背景抑制方法 |
CN106447119A (zh) * | 2016-10-11 | 2017-02-22 | 济南观澜数据技术有限公司 | 一种基于卷积神经网络的短期交通流量预测方法及系统 |
CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
US20180067635A1 (en) * | 2016-09-07 | 2018-03-08 | Johnson Controls Technology Company | Systems and methods for visually indicating value changes in a building management system |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN109059177A (zh) * | 2018-07-27 | 2018-12-21 | 广东美的制冷设备有限公司 | 空气质量评价方法、装置、空气调节器以及存储介质 |
-
2019
- 2019-03-30 CN CN201910253646.3A patent/CN109960886B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680025A (zh) * | 2012-06-06 | 2012-09-19 | 安徽农业大学 | 一种室内热舒适度评价系统 |
JP2015113997A (ja) * | 2013-12-09 | 2015-06-22 | 三菱電機株式会社 | 空気調和システム、空気調和機、空気調和方法、及び、プログラム |
CN104490371A (zh) * | 2014-12-30 | 2015-04-08 | 天津大学 | 一种基于人体生理参数的热舒适检测方法 |
CN105844627A (zh) * | 2016-03-21 | 2016-08-10 | 华中科技大学 | 一种基于卷积神经网络的海面目标图像背景抑制方法 |
US20180067635A1 (en) * | 2016-09-07 | 2018-03-08 | Johnson Controls Technology Company | Systems and methods for visually indicating value changes in a building management system |
CN106447119A (zh) * | 2016-10-11 | 2017-02-22 | 济南观澜数据技术有限公司 | 一种基于卷积神经网络的短期交通流量预测方法及系统 |
CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN109059177A (zh) * | 2018-07-27 | 2018-12-21 | 广东美的制冷设备有限公司 | 空气质量评价方法、装置、空气调节器以及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309609A (zh) * | 2019-07-06 | 2019-10-08 | 桂林电子科技大学 | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 |
CN110309609B (zh) * | 2019-07-06 | 2022-06-28 | 桂林电子科技大学 | 一种基于粗糙集和wnn的建筑室内空气品质评价方法 |
CN111830200A (zh) * | 2020-05-13 | 2020-10-27 | 浚鸿数据开发股份有限公司 | 小区域即时空气污染评估系统及其方法 |
CN112329098A (zh) * | 2020-10-26 | 2021-02-05 | 同济大学 | 一种高性能居住建筑新风量设计方法 |
CN112329098B (zh) * | 2020-10-26 | 2023-02-24 | 同济大学 | 一种高性能居住建筑新风量设计方法 |
CN112686449A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司经济技术研究院 | 基于人体气象舒适度指数的居民用电预测方法 |
CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
CN115342488A (zh) * | 2022-08-08 | 2022-11-15 | 哈尔滨工业大学 | 一种超低能耗住宅新风系统智能控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109960886B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109960886A (zh) | 一种空气舒适度评价方法、装置及空气调节设备 | |
Mofidi et al. | Intelligent buildings: An overview | |
Mujan et al. | Influence of indoor environmental quality on human health and productivity-A review | |
Fard et al. | Application of machine learning in thermal comfort studies: A review of methods, performance and challenges | |
Martins et al. | A systematic review of personal thermal comfort models | |
CN107120782B (zh) | 一种基于多用户热舒适度数据的暖通系统控制方法 | |
CN105091202B (zh) | 控制多个空调设备的方法和系统 | |
CN110009245A (zh) | 基于神经网络的室内空气质量预测方法、装置及电子设备 | |
CN106383450A (zh) | 一种基于大数据的智能家居用户行为分析系统及方法 | |
Synnott et al. | The creation of simulated activity datasets using a graphical intelligent environment simulation tool | |
Ul-Saufie et al. | Improving multiple linear regression model using principal component analysis for predicting PM10 concentration in Seberang Prai, Pulau Pinang | |
Feng et al. | On the simulation repetition and temporal discretization of stochastic occupant behaviour models in building performance simulation | |
CN104133427A (zh) | 智能家居控制方法及其系统 | |
CN106796046A (zh) | 智能环境调控引擎、智能环境调节系统和设备 | |
Zhou et al. | Smart home R&D system based on virtual reality | |
Broday et al. | The role of internet of things (IoT) in the assessment and communication of indoor environmental quality (IEQ) in buildings: a review | |
CN109682043A (zh) | 一种基于人体热舒适机理的适温适湿环境控制系统 | |
Jabłoński et al. | Fuzzy inference system for the assessment of indoor environmental quality in a room | |
Zhao et al. | Multi-domain indoor environmental quality in buildings: A review of their interaction and combined effects on occupant satisfaction | |
CN103116648A (zh) | 基于图形式上下文语境和机器学习的单词记忆方法及其装置 | |
de Oliveira et al. | Discrete and continuous bivariate lifetime models in presence of cure rate: a comparative study under Bayesian approach | |
Ramachandraarjunan et al. | IoT based artificial intelligence indoor air quality monitoring system using enabled RNN algorithm techniques | |
Oliveira et al. | Behaviour analysis in smart spaces | |
Langevin | Human Behavior & Low Energy Architecture: Linking Environmental Adaptation, Personal Comfort, & Energy Use in the Built Environment | |
Hong et al. | Developing quantitative insights on building occupant behaviour: Supporting modelling tools and datasets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 519031 office 1316, No. 1, lianao Road, Hengqin new area, Zhuhai, Guangdong Patentee after: LONGMA ZHIXIN (ZHUHAI HENGQIN) TECHNOLOGY Co.,Ltd. Address before: 519000 room 417.418.419, building 20, creative Valley, 1889 Huandao East Road, Hengqin new area, Zhuhai, Guangdong Patentee before: LONGMA ZHIXIN (ZHUHAI HENGQIN) TECHNOLOGY Co.,Ltd. |