CN111898700A - 一种基于决策树算法和环境传感参数的人员在室识别方法 - Google Patents
一种基于决策树算法和环境传感参数的人员在室识别方法 Download PDFInfo
- Publication number
- CN111898700A CN111898700A CN202010815058.7A CN202010815058A CN111898700A CN 111898700 A CN111898700 A CN 111898700A CN 202010815058 A CN202010815058 A CN 202010815058A CN 111898700 A CN111898700 A CN 111898700A
- Authority
- CN
- China
- Prior art keywords
- data
- room
- personnel
- indoor
- identification
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种基于决策树算法和环境传感参数的人员在室识别方法,包括:根据不同人员在室识别粒度目标,预先进行时间离散化设置,并连续采集离散化时间段内的真实人员在室数据、环境参数数据,建立初始数据样本库;根据不同的人员在室识别粒度目标,对初始数据样本库中各个时间段内的真实人员在室数据进行相应的离散化设置;选取对应的时间离散化数据、环境参数数据、真实人员在室离散化数据,得到用于后续分类学习的数据样本集;利用决策树模型对数据样本集进行分类学习,挖掘真实人员在室数据与环境参数数据的变化规律,并建立两者的映射关系,获取相应的分类模型;根据分类模型对人员在室情况进行识别。本发明能够提高人员在室识别性能。
Description
技术领域
本发明涉及建筑节能技术领域,特别涉及一种基于决策树算法和环境传感参数的人员在室识别方法。
背景技术
室内人员是建筑的主要使用者以及能源消耗的行为主体,人行为是建筑能耗的主要影响因素之一。室内人员密度或数量变化,人员对建筑空间的使用时间变化代表着建筑用能系统的需求侧,也是建筑用能设备(照明、采暖、空调设备)设计依据和运行管理的驱动因素。而实际建筑设备运行以及室内环境调控中由于室内人员移动的复杂性和随机性难以实现供给侧与需求侧的完美匹配,造成能源利用率低下。因此人员在室的识别模型研究成为一项热门课题。
随着传感、通信、计算机技术的飞快发展,人员在室研究不再局限于实地调研和访问,而是利用传感器采集在室人员相关历史数据,在此基础上应用不同数学方法例如机器学习(决策树算法、人工神经网络,支持向量机等)、马尔科夫模型以及Agent-based模型等,动态模拟并预测人员在室变化规律。目前人员在室的测量手段可以分为直接测量和间接测量两大类。其中直接测量方法包括视频摄像测量、被动式红外线测量、无线和蓝牙信号测量等;间接测量方法包括CO2浓度、温湿度、室内噪声、室内照度等环境参数测量以及能耗计量测量方法,即不直接感知室内人员,而是利用他们与建筑产生的交互信息与室内人员建立“弱关联”。然而,直接测量方法在现实生活中存在隐私侵犯的风险,导致在室内布置传感器时易受到用户的抵触。为了降低这种风险,间接测量方法逐渐成为人员在室识别和预测的重要研究方向。
如何描述人员在室识别的目标也是近年来人员在室识别的关键性问题,目前人员在室识别的描述主要分为两大类:即解决某时刻室内是否有人(或何时有人)及室内人数问题。然而,现有的人员在室识别方法仅能实现单一的人员在室探测,即判断室内是否有人,难以实现人员数量的识别。此外,各间接传感器测量均有其独特性和局限性,因此,如何针对不同类型建筑、使用方式以及人员在室识别目标来合理选择、组合、设计不同类型传感器以感知室内人员是本领域亟待解决的技术问题。
发明内容
本发明的目的在于提供一种基于决策树算法和环境传感参数的人员在室识别方法,针对不同的人员在室识别目标给出合理的传感器设计组合,有效提高人员在室识别性能。
为解决上述技术问题,本发明的实施例提供如下方案:
一种基于决策树算法和环境传感参数的人员在室识别方法,包括以下步骤:
S1、根据不同的人员在室识别粒度目标,预先进行时间离散化设置,并连续采集预先离散化设置的时间段内的真实人员在室数据、环境参数数据,建立初始数据样本库;
S2、根据不同的人员在室识别粒度目标,对所述初始数据样本库中各个时间段内的真实人员在室数据进行相应的离散化设置,得到真实人员在室离散化数据;
S3、针对不同的人员在室识别粒度目标,从步骤S1所述初始数据样本库中选取对应的时间离散化数据,不同组合的环境参数数据,以及步骤S2中获得的对应的真实人员在室离散化数据,得到用于后续分类学习的数据样本集;
S4、利用决策树模型对步骤S3中获得的数据样本集进行分类学习,挖掘真实人员在室数据与环境参数数据的变化规律,并建立两者之间的映射关系,获取相应的分类模型;
S5、根据所述分类模型对人员在室情况进行识别,最终用于室内设备的辅助调控。
优选地,所述人员在室识别粒度目标包括人员在室识别、人员在室密度识别和人员在室数量识别,所述步骤S2具体包括:
对于人员在室识别,真实人员在室数据被离散化为有人或无人两种类别,其中,当室内人员数量大于或等于1时,认为室内有人,当室内人员数量为0时,认为室内无人;
对于人员在室密度识别,真实人员在室数据被离散化为室内无人、人员密度低、人员密度中等以及人员密度高四种类别;
对于人员在室数量识别,真实人员在室数据被离散化为0、1、2、3…N,共N+1种类别,其中N为室内人数。
优选地,所述人员在室识别粒度目标包括人员在室识别、人员在室密度识别和人员在室数量识别,所述步骤S3具体包括:
对于人员在室识别,环境参数数据包括照度数据;
对于人员在室密度识别和人员在室数量识别,环境参数数据包括:温湿度数据、照度数据、CO2浓度数据。
优选地,所述温湿度数据通过温湿度传感器采集,所述照度数据通过照度计采集,所述CO2浓度数据通过CO2浓度传感器采集。
优选地,所述真实人员在室数据通过图像采集器采集,所述图像采集器包括摄像头或照相机。
优选地,所述步骤S4包括:
S401、将步骤S3中获得的数据样本集分为训练样本集和测试样本集;
S402、计算训练样本集中不同的环境参数数据与真实人员在室数据的信息增益值;
S403、选出信息增益值最大的环境参数数据对应的属性作为根节点的分裂属性;
S404、将训练样本集中与所述分裂属性的取值相同的样本形成决策树分支,每个决策树分支以递归方式从步骤S402循环执行,继续分裂其它属性,直到决策树的深度达到预定阈值、或者所有属性已经使用完毕为止;
S405、根据训练所得映射关系对测试样本集进行分类,得到相应的分类模型。
优选地,所述人员在室识别方法还包括在步骤S405之后进行的:
将分类模型输出的结果与真实人员在室数据进行对比,验证两者之间的差异,并根据对比结果调节决策树模型相关参数与输入参数。
本发明的上述方案至少包括以下有益效果:
本发明提供的人员在室识别方法可根据人员在室的不同离散化描述方法应用于不同的识别粒度目标,包括人员在室识别,人员在室密度识别以及人员在室数量识别。针对不同目标情景,通过选取不同环境传感器收集的环境参数数据进行融合、学习和分类,最终实现人员在室识别。本发明可有效利用室内已有的环境监测仪器进行数据采集,无需额外采购安装其他直接测量式传感器,操作简单,侵入性较低;可根据人员在室的不同识别目标和需求建立不同细粒度的人员在室识别模型,并应用于不同建筑场景的设备调控,例如照明开启调节,空调调控策略。除环境传感器所监测参数数据之外,本发明将时间变量进行离散化处理作为模型训练输入参数之一,有效提高了人员在室识别的准确性与精确性。
附图说明
图1是本发明实施例提供的人员在室识别方法的流程图;
图2是根据本发明一个实施例的基于照度和时间的人员在室识别模型示意图;
图3是根据本发明一个实施例的基于温湿度、照度、CO2浓度以及时间的人员在室密度识别模型输出结果示意图;
图4是根据本发明一个实施例的基于温湿度、照度、CO2浓度以及时间的人员在室数量识别模型识别出的室内人数与实际室内人数的对比示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明的实施例提供了一种基于决策树算法和环境传感参数的人员在室识别方法,如图1所示,所述人员在室识别方法包括以下步骤:
S1、根据不同的人员在室识别粒度目标,预先进行时间离散化设置,并连续采集预先离散化设置的时间段内的真实人员在室数据、环境参数数据,建立初始数据样本库;
S2、根据不同的人员在室识别粒度目标,对所述初始数据样本库中各个时间段内的真实人员在室数据进行相应的离散化设置,得到真实人员在室离散化数据;
S3、针对不同的人员在室识别粒度目标,从步骤S1所述初始数据样本库中选取对应的时间离散化数据,不同组合的环境参数数据,以及步骤S2中获得的对应的真实人员在室离散化数据,得到用于后续分类学习的数据样本集;
S4、利用决策树模型对步骤S3中获得的数据样本集进行分类学习,挖掘真实人员在室数据与环境参数数据的变化规律,并建立两者之间的映射关系,获取相应的分类模型;
S5、根据所述分类模型对人员在室情况进行识别,最终用于室内设备的辅助调控。
本发明提供的人员在室识别方法可根据人员在室的不同离散化描述方法应用于不同的识别粒度目标,包括人员在室识别,人员在室密度识别以及人员在室数量识别。针对不同目标情景,通过选取不同环境传感器收集的环境参数数据进行融合、学习和分类,最终实现人员在室识别。
本发明可有效利用室内已有的环境监测仪器进行数据采集,无需额外采购安装其他直接测量式传感器,操作简单,侵入性较低;可根据人员在室的不同识别目标和需求建立不同细粒度的人员在室识别模型,并应用于不同建筑场景的设备调控,例如照明开启调节,空调调控策略。
除环境传感器所监测参数数据之外,本发明将时间变量进行离散化处理作为模型训练输入参数之一,有效提高了人员在室识别的准确性与精确性。
进一步地,所述人员在室识别粒度目标包括人员在室识别、人员在室密度识别和人员在室数量识别,步骤S2具体包括:
对于人员在室识别,真实人员在室数据被离散化为有人或无人两种类别,其中,当室内人员数量大于或等于1时,认为室内有人,当室内人员数量为0时,认为室内无人;
对于人员在室密度识别,真实人员在室数据被离散化为室内无人(0)、人员密度低(Low)、人员密度中等(Medium)以及人员密度高(High)四种类别;
对于人员在室数量识别,真实人员在室数据被离散化为0、1、2、3…N,共N+1种类别,其中N为室内人数。
进一步地,步骤S3具体包括:
对于人员在室识别,环境参数数据包括照度数据;
对于人员在室密度识别和人员在室数量识别,环境参数数据包括:温湿度数据、照度数据、CO2浓度数据。
优选地,所述温湿度数据通过温湿度传感器采集,所述照度数据通过照度计采集,所述CO2浓度数据通过CO2浓度传感器采集。
优选地,所述真实人员在室数据通过图像采集器采集,所述图像采集器包括摄像头或照相机。
进一步地,决策树建立的过程就是将数据按照信息增益进行分枝形成一棵多叉树。整个树包含根节点、内部叶节点和输出叶节点。其中根节点内容为模型的输入数据,即传感器采集的环境参数数据、时间离散化数据值以及真实人员在室数据,其中真实人员在室数据根据不同目标情景预先进行离散化分类,数据经过中间叶节点进行连续划分,决策树不断得到成长,成为具有多个叶节点的树,最终输出的叶节点即为预先设置的用于描述人员在室信息的离散化分类。
具体地,步骤S4包括:
S401、将步骤S3中获得的数据样本集分为训练样本集和测试样本集;
S402、计算训练样本集中不同的环境参数数据与真实人员在室数据的信息增益值;
S403、选出信息增益值最大的环境参数数据对应的属性作为根节点的分裂属性;
S404、将训练样本集中与所述分裂属性的取值相同的样本形成决策树分支,每个决策树分支以递归方式从步骤S402循环执行,继续分裂其它属性,直到决策树的深度达到预定阈值、或者所有属性已经使用完毕为止;
S405、根据训练所得映射关系对测试样本集进行分类,得到相应的分类模型。
为了确定分类模型的性能,本发明所述人员在室识别方法还包括在步骤S405之后进行的:
将分类模型输出的结果与真实人员在室数据进行对比,验证两者之间的差异,并根据对比结果调节决策树模型相关参数与输入参数。
本发明利用机器学习手段建立了室内环境参数数据与室内人员在室情况之间的映射关系,可以较低侵入性用于不同建筑情境的不同人员识别需求。以下实施例中根据不同人员识别需求给出了三种人员在室识别粒度目标的描述方法,并根据三种方法建立了三种人员在室识别的分类模型示例,分别为人员在室识别、人员在室密度识别以及人员在室数量识别。
所有实施例对象均为某一50m2多人办公室,该办公室最高可容纳12名员工同时办公。本实施案例中通过约60天的办公室环境监测和数据采集获取了初始数据样本库,该初始数据样本库的时间步长为10分钟,即时间离散化设置按10分钟作为一个时间段变量。
实施例1:
图2为本发明实施例提供的识别室内是否有人员存在的输出模型示意图,实施例1中最终输出的室内人员探测的结果包括两种:当前室内有人存在以及室内无人存在。该模型建立流程包括:
选取某一时间内的初始数据样本集,对真实人员在室数据进行离散化处理。由于该模型目标是为实现室内是否有人存在的探测,因此,真实人员在室数据被划分为“有人”或“无人”两种类别。
选定输入参数进行训练。除时间离散化数据和真实人员在室离散化数据,本实施例中选取的环境参数数据为室内照度值。
数据训练与学习,利用决策树算法进行信息增益计算优先选择时间和照度作为分枝节点,获取时间和照度阈值。
模型测试,将获取的阈值模型应用于测试样本集数据,将模型输出结果与真实人员在室情况进行对比可确定该二分类模型的性能。
输出结果以95.8%的准确度准确描述该办公室内是否有人员在室的规律,即当时间不在(12:00,13:00)区间内时,若当前室内照度大于312lux时,则表明室内有人员存在,若当前室内照度小于312lux,则表明当前室内无人员存在,若当前时间值在(12:00,13:00)区间内,则表明当前室内无人员存在。
实施例2:
实施例2中最终输出的室内人员探测的结果包括四种类别:室内无人(0),人员密度低(low)、人员密度中等(medium)以及人员密度高(high)。模型建立流程包括:
选取某一时间内的初始数据样本集,对真实人员在室数据进行离散化处理。由于该模型目标是为实现室内人员密度的识别,因此,真实人员在室数据被离散化为“室内无人(0)”、“人员密度低(low)”、“人员密度中等(medium)”以及“人员密度高(high)”四种类别。由于该办公空间可容纳人数最高为12人,因此此处离散化划分依据为室内人数为1-4人时表示低人员密度,人数为5-8人时表示中人员密度,人数为9-12人时则代表人员密度为高。
选定输入参数进行训练。除时间离散化数据和真实人员在室离散化数据,环境参数数据选择室内照度值、温湿度、CO2浓度值。
数据训练与学习,利用决策树算法对训练集进行四分类,通过计算不同环境参数数据对训练集的信息增益结果确定与人员在室密度关联度最高的参数,并将该参数作为首个分枝节点,针对各分枝节点再按以上步骤重复计算分枝后数据中各环境参数与人员密度关联度最高的参数,继续上述步骤直至分枝能够输出对应的四分类输出结果。
训练模型测试,将获取的分类模型应用于测试样本集数据,将模型输出结果与真实人员在室密度进行对比可确定该四分类模型的性能。
实施例2中人员密度识别的准确度为91.5%,为全面直观体现该模型的性能,图3给出了该模型输出结果的混淆矩阵,可看出该模型能较为准确判断出室内人员密度“中”、“低”、“高”时的情况。
实施例3:
实施例3所描述的为人员在室数量识别,因此预先设定的最终输出的人员在室的识别结果包括13种类别:室内无人(0),以及室内人员数量为1、2、3…12人。模型建立流程包括:
选取某一时间内的初始数据样本集,对真实人员在室数据进行离散化处理。由于该模型目标是为实现室内人员人数的识别,因此,真实人员在室数据被离散化为室内无人(0),以及室内人员数量为1、2、3…12,一共13种类别。
选定输入参数进行训练。除时间离散化数据和真实人员在室离散化数据,本实施例中选取的环境参数数据为室内照度值、温湿度、CO2浓度值。
数据训练与学习,利用决策树算法对训练集进行多分类,通过计算不同环境参数数据和时间离散化数据对训练集的信息增益结果确定与人员在室密度关联度最高的参数,并将该参数作为首个分枝节点,针对各分枝节点再按以上步骤重复计算分枝后数据中各环境参数与人员密度关联度最高的参数,继续上述步骤直至分枝能够输出对应的13分类输出结果。
训练模型测试,将获取的模型应用于测试样本集数据,将模型输出结果与真实人员在室数量进行对比可确定该人员在室数量识别模型的性能。
实施例3中室内人员数量识别的准确度为81.4%。图4给出了实施例3的人员在室数量识别模型输出的室内人数与实际室内人数的对比示意图。
综上所述,本发明提供的人员在室识别方法可根据人员在室的不同离散化描述方法应用于不同的识别粒度目标,包括人员在室识别,人员在室密度识别以及人员在室数量识别。针对不同目标情景,通过选取不同环境传感器收集的环境参数数据进行融合、学习和分类,最终实现人员在室识别。本发明可有效利用室内已有的环境监测仪器进行数据采集,无需额外采购安装其他直接测量式传感器,操作简单,侵入性较低;除环境传感器所监测参数数据之外,本发明将时间变量进行离散化处理作为模型训练输入参数之一,有效提高了人员在室识别的准确性与精确性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于决策树算法和环境传感参数的人员在室识别方法,其特征在于,包括以下步骤:
S1、根据不同的人员在室识别粒度目标,预先进行时间离散化设置,并连续采集预先离散化设置的时间段内的真实人员在室数据、环境参数数据,建立初始数据样本库;
S2、根据不同的人员在室识别粒度目标,对所述初始数据样本库中各个时间段内的真实人员在室数据进行相应的离散化设置,得到真实人员在室离散化数据;
S3、针对不同的人员在室识别粒度目标,从步骤S1所述初始数据样本库中选取对应的时间离散化数据,不同组合的环境参数数据,以及步骤S2中获得的对应的真实人员在室离散化数据,得到用于后续分类学习的数据样本集;
S4、利用决策树模型对步骤S3中获得的数据样本集进行分类学习,挖掘真实人员在室数据与环境参数数据的变化规律,并建立两者之间的映射关系,获取相应的分类模型;
S5、根据所述分类模型对人员在室情况进行识别,最终用于室内设备的辅助调控。
2.根据权利要求1所述的人员在室识别方法,其特征在于,所述人员在室识别粒度目标包括人员在室识别、人员在室密度识别和人员在室数量识别,所述步骤S2具体包括:
对于人员在室识别,真实人员在室数据被离散化为有人或无人两种类别,其中,当室内人员数量大于或等于1时,认为室内有人,当室内人员数量为0时,认为室内无人;
对于人员在室密度识别,真实人员在室数据被离散化为室内无人、人员密度低、人员密度中等以及人员密度高四种类别;
对于人员在室数量识别,真实人员在室数据被离散化为0、1、2、3…N,共N+1种类别,其中N为室内人数。
3.根据权利要求1所述的人员在室识别方法,其特征在于,所述人员在室识别粒度目标包括人员在室识别、人员在室密度识别和人员在室数量识别,所述步骤S3具体包括:
对于人员在室识别,环境参数数据包括照度数据;
对于人员在室密度识别和人员在室数量识别,环境参数数据包括:温湿度数据、照度数据、CO2浓度数据。
4.根据权利要求3所述的人员在室识别方法,其特征在于,所述温湿度数据通过温湿度传感器采集,所述照度数据通过照度计采集,所述CO2浓度数据通过CO2浓度传感器采集。
5.根据权利要求1-3中任一项所述的人员在室识别方法,其特征在于,所述真实人员在室数据通过图像采集器采集,所述图像采集器包括摄像头或照相机。
6.根据权利要求1所述的人员在室识别方法,其特征在于,所述步骤S4包括:
S401、将步骤S3中获得的数据样本集分为训练样本集和测试样本集;
S402、计算训练样本集中不同的环境参数数据与真实人员在室数据的信息增益值;
S403、选出信息增益值最大的环境参数数据对应的属性作为根节点的分裂属性;
S404、将训练样本集中与所述分裂属性的取值相同的样本形成决策树分支,每个决策树分支以递归方式从步骤S402循环执行,继续分裂其它属性,直到决策树的深度达到预定阈值、或者所有属性已经使用完毕为止;
S405、根据训练所得映射关系对测试样本集进行分类,得到相应的分类模型。
7.根据权利要求6所述的人员在室识别方法,其特征在于,所述人员在室识别方法还包括在步骤S405之后进行的:
将分类模型输出的结果与真实人员在室数据进行对比,验证两者之间的差异,并根据对比结果调节决策树模型相关参数与输入参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010815058.7A CN111898700A (zh) | 2020-08-13 | 2020-08-13 | 一种基于决策树算法和环境传感参数的人员在室识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010815058.7A CN111898700A (zh) | 2020-08-13 | 2020-08-13 | 一种基于决策树算法和环境传感参数的人员在室识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898700A true CN111898700A (zh) | 2020-11-06 |
Family
ID=73229535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010815058.7A Pending CN111898700A (zh) | 2020-08-13 | 2020-08-13 | 一种基于决策树算法和环境传感参数的人员在室识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898700A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599436A (zh) * | 2016-12-08 | 2017-04-26 | 湖南大学 | 办公建筑用户在室行为预测方法 |
CN109214671A (zh) * | 2018-08-27 | 2019-01-15 | 平安科技(深圳)有限公司 | 人员分组方法、装置、电子装置及计算机可读存储介质 |
-
2020
- 2020-08-13 CN CN202010815058.7A patent/CN111898700A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599436A (zh) * | 2016-12-08 | 2017-04-26 | 湖南大学 | 办公建筑用户在室行为预测方法 |
CN109214671A (zh) * | 2018-08-27 | 2019-01-15 | 平安科技(深圳)有限公司 | 人员分组方法、装置、电子装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
LUIS M. CANDANEDO 等: "Accurate occupancy detection of an office room from light,temperature, humidity and CO2 measurements using statistical learning models", 《ENERGY AND BUILDING》 * |
陆蓓蓓 等: "人员在室感知方法综述", 《建筑科学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102380397B1 (ko) | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 | |
Khan et al. | Fault detection analysis of building energy consumption using data mining techniques | |
CN110866528B (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
Yuan et al. | Occupancy estimation in buildings based on infrared array sensors detection | |
Adeogun et al. | Indoor occupancy detection and estimation using machine learning and measurements from an IoT LoRa-based monitoring system | |
CA2991224A1 (en) | Advanced identification and classification of sensors and other points in a building automation system | |
CN117421618B (zh) | 一种建筑能耗监测方法及系统 | |
Shafi et al. | IoT Based Smart Home: A Machine Learning Approach | |
Arora et al. | Occupancy estimation using non intrusive sensors in energy efficient buildings | |
CN116909339B (zh) | 基于人工智能的智能家居安全预警方法及系统 | |
CN111649465B (zh) | 一种空调设备自动控制方法及系统 | |
CN113936413A (zh) | 一种早期火灾监测预警方法和装置 | |
CN115272675A (zh) | 一种基于多传感器信息融合的能源管理系统以及方法 | |
CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN111739154A (zh) | 一种建筑室内环境自动建模的系统及方法 | |
KR102650015B1 (ko) | 실내 환경 관리 장치 및 그 동작방법 | |
KR20190004605A (ko) | 에너지 시뮬레이션 모델 생성 장치 및 방법 | |
CN108647817B (zh) | 一种能耗负荷的预测方法及预测系统 | |
Amayri et al. | Towards interactive learning for occupancy estimation | |
CN117010638B (zh) | 酒店设备的智能管理方法及系统 | |
CN117369302A (zh) | 一种基于模型预测控制的智能家居系统 | |
CN111898700A (zh) | 一种基于决策树算法和环境传感参数的人员在室识别方法 | |
KR102522497B1 (ko) | 건물 거주자의 선호구간 기반의 거주만족도 평가 시스템 및 방법 | |
KR102437297B1 (ko) | 건물 운영 정보 예측 및 관리를 위한 하이브리드 모델 제공 장치 및 방법 | |
Vorger et al. | Reconstruction of Building Occupation by Machine Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |
|
RJ01 | Rejection of invention patent application after publication |