CN112507420A - 办公建筑内人员个性化环控行为预测模型训练集构建系统 - Google Patents
办公建筑内人员个性化环控行为预测模型训练集构建系统 Download PDFInfo
- Publication number
- CN112507420A CN112507420A CN202011300339.5A CN202011300339A CN112507420A CN 112507420 A CN112507420 A CN 112507420A CN 202011300339 A CN202011300339 A CN 202011300339A CN 112507420 A CN112507420 A CN 112507420A
- Authority
- CN
- China
- Prior art keywords
- behavior
- training set
- environmental control
- external physical
- time
- 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
- 238000012549 training Methods 0.000 title claims abstract description 135
- 230000007613 environmental effect Effects 0.000 claims abstract description 94
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 300
- 230000008859 change Effects 0.000 claims description 24
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 17
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 description 33
- 230000001953 sensory effect Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 17
- 230000008447 perception Effects 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 11
- 230000000704 physical effect Effects 0.000 description 11
- 125000004122 cyclic group Chemical group 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000010365 information processing Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 108020003175 receptors Proteins 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000036982 action potential Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000035807 sensation Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002650 habitual effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004590 drinking behavior Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007433 nerve pathway Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000003051 thermoreceptor Anatomy 0.000 description 1
- 108091008689 thermoreceptors Proteins 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Structural Engineering (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种办公建筑内人员个性化环控行为预测模型训练集构建系统,其特征在于,包括:物理参数存储部、位置信息存储部、行为存储部、物理参数获取部、物理属性计算部、绝对时间属性计算部、相对时间属性计算部以及训练集构建部。其中,物理参数获取部实时获取外部物理参数的实测值;物理属性计算部利用计算方法计算预定监测时间内的实测值得到外部物理属性;绝对时间属性计算部计算得到太阳高度角以及太阳方位角;相对时间属性计算部计算得到当前环控行为距离上一个环控行为的间隔时长以及在预定时间段内环控行为产生的次数;训练集构建部依次将上述各个属性作为一组训练实例从而得到由多个训练实例组成的高质量训练集。
Description
技术领域
本发明涉及一种办公建筑内人员个性化环控行为预测模型训练集构建系统。
背景技术
环控行为是影响建筑运行能耗与室内环境舒适程度的重要因素[1]。为了提升建筑运行能耗与室内环境舒适程度,学者们对建材、设备、围护结构等因素进行了大量研究,但对于建筑人员环控行为因素的研究相对较少。
此外,随着“智慧建筑”、“以人为本的建筑”等相关概念的提出,建筑本体对建筑环境中出现的诸多“动态变化过程”保持“敏感”的需求变得越来越高[1],需要业主或建筑运维团队形成考虑人员行为习惯与偏好的建筑运行管理模式从而满足上述需求。
然而,目标建筑内的每个目标人员都存在大大小小的差异进而会因为自身对室内环境的偏好以及环控装置(例如空调、遮阳、门窗、照明等)的调节习惯产生不同的个性化环控行为。有效地识别目标人员的个性化环控行为是建立以人为中心的智能建筑系统的基础。具体地通过动态的预测人员的动作行为并将该动作行为作为目标人员个性化的室内环境偏好以及调节习惯的映射,从而为环控系统提供“基准”,满足人员个性化需求,并完成动态运行控制策略的制定。
近年来,数据挖掘技术已被应用在人员环控行为预测中,而预测得到的结果可以作为实现环控系统优化控制的基础。采用数据挖掘技术构建模型的基本流程为:首先建立训练集作为学习样本,然后采用学习算法对其进行学习从而完成模型训练,最后得到应用在实际场景中的个性化环控行为预测模型。
目前,关于个性化环控行为预测模型中应用的学习算法已被广泛的研究与开发,而关于提高行为训练集质量的研究与开发较少,尤其在建筑人行为预测方面的研究与应用,学者们将大部分关注点都放在了建筑人行为预测相关的学习算法的选取与应用上,没有对行为训练集的构建进行深入的研究。然而,高质量的行为训练集是建立高性能环控行为预测模型的关键。如果行为训练集无法较为贴切的映射目标人员的个性化环控行为,即使学习算法拥有再强大的学习能力,预测模型也无法拥有良好的预测效果。
然而,目前常用的行为训练集构建方法都只是单纯地将行为产生时刻各种潜在因素的绝对数值汇总起来从而完成构建,这样构建的行为训练集没有考虑到目标人员的个性化环控行为产生的原因以及机理,也没有考虑环控行为发生的前一段时间内各种潜在因素带来的影像,从而无法较好地映射个性化环控行为从而导致训练出来的预测模型具有局限性。同时,现有训练集构建方法中的各种潜在因素也都只是外部环境带来的,没有考虑到目标人员自身的喜好以及习惯等构成的潜在因素。
综上,现有的训练集构建方法都未真正全面地考虑到导致产生个性化环控行为的各种因素,继而根据该方法构建的训练集训练出的环控行为预测模型在实际应用过程中无法推导出准确的预测结果,进而无法为智能建筑系统进行有效精准地运行控制提供基础。
参考文献
[1]Wagner A,O’Brien W,Dong B.Exploring Occupant Behavior in Buildings[M].2018.
发明内容
为解决上述问题,本发明提供了一种从外部物理刺激、绝对时间以及相对时间三个维度综合考虑个性化环控行为产生的各种因素并基于该因素构建出高质量训练集的系统,本发明采用了如下技术方案:
本发明提供了一种办公建筑内人员个性化环控行为预测模型训练集构建系统,用于构建高质量训练集从而提升环控行为预测模型的性能,其特征在于,包括:物理参数存储部,存储有与办公建筑内人员个性化的环控行为相关的外部物理参数,该外部物理参数包括光照度、室内温度、室内湿度、二氧化碳浓度、太阳辐射量、水平面辐照度、房间朝向垂直面辐照度、室外温度以及室外湿度;位置信息存储部,存储有办公建筑的地理位置信息,该地理位置信息至少包括纬度;行为存储部,存储有环控行为产生的行为时间;物理参数获取部,用于实时获取外部物理参数的实测值;物理属性计算部,利用复数个预定计算方法计算预定监测时间内的实测值从而得到用来描述外部物理参数变化趋势的复数个外部物理属性;绝对时间属性计算部,根据纬度、环控行为产生时的赤纬角以及太阳时角通过预定的绝对时间计算公式计算得到办公建筑对应的太阳高度角以及太阳方位角;相对时间属性计算部,根据行为时间计算得到当前环控行为距离上一个环控行为的间隔时长以及在预定时间段内环控行为产生的次数;训练集构建部,依次将环控行为的类别、多个外部物理参数、描述该外部物理参数的复数个外部物理属性、该环控行为产生时的太阳高度角、太阳方位角以及该环控行为产生时的间隔时长、次数作为一组训练实例从而得到由多个训练实例组成的高质量训练集,其中类别包括有行为以及无行为。
本发明提供的办公建筑内人员个性化环控行为预测模型训练集构建系统,还可以具有这样的技术特征,其中,高质量训练集分为开启行为训练集以及关闭行为训练集,开启行为训练集分为有开启行为训练实例以及无开启行为训练实例,关闭行为训练集分为有关闭行为训练实例以及无关闭训练实例。
本发明提供的办公建筑内人员个性化环控行为预测模型训练集构建系统,还可以具有这样的技术特征,其中,绝对时间计算公式为:
本发明提供的办公建筑内人员个性化环控行为预测模型训练集构建系统,还可以具有这样的技术特征,其中,外部物理属性为平均值、标准差、变异系数、斜率、峰态系数、最大值、最小值、偏态系数、最大值到环控行为产生时持续时间、最小值到环控行为产生时持续时间、最大值到环控行为产生时斜率的变化以及最小值到环控行为产生时斜率的变化。
发明作用与效果
根据本发明提供的办公建筑内人员个性化环控行为预测模型训练集构建系统,由于物理参数获取部可以实时获取外部物理参数的实测值,物理属性计算部又可以利用复数个预定计算方法计算预定监测时间内的实测值得到复数个外部物理属性,同时,外部物理参数包括光照度、室内温度、室内湿度、二氧化碳浓度、太阳辐射量、水平面辐照度、房间朝向垂直面辐照度、室外温度以及室外湿度,因此全面考虑了造成环控行为的各种因素,并且不是单纯地只对环控行为产生时刻的各种因素进行评估,而是针对环控行为产生前一段时间内的各种因素进行评估,从而符合心理学中有关外部物理环境对人体刺激是有“阈值”的相关研究结论。
另外,由于绝对时间属性计算部可以根据纬度、环控行为产生时的赤纬角以及太阳时角通过预定的绝对时间计算公式计算得到办公建筑对应的太阳高度角以及太阳方位角,因此相较于只以钟表上的时间作为绝对时间而言,太阳高度角以及太阳方位角对绝对时间的描述更为精准,并且因为考虑到了办公建筑的纬度信息,所以同时实现了空间与时间两个维度的描述,使得最后训练出的环控行为预测模型可以适用于不同地区的目标建筑或目标房间从而具有更好的泛化能力。
同时,相对时间属性计算部可以根据行为时间计算当前环控行为距离上一个环控行为的间隔时长以及在预定时间段内环控行为产生的次数,因此将办公建筑内人员对室内环控装置的调节具有“惰性”的因素考虑在内,充分考虑到人员不会在自身的舒适圈内频繁调节环控装置这一因素。
综上,本系统能够从外部物理刺激、绝对时间以及相对时间三个维度综合考虑个性化环控行为产生的各种因素并基于该因素构建出高质量训练集从而为训练出准确性较好的环控行为预测模型做准备,从而为智能建筑系统进行有效精准地运行控制提供基础。
附图说明
图1为本发明实施例的办公建筑内人员个性化环控行为预测模型训练集构建系统的结构框图;
图2为本发明实施例的外部物理参数以及用来描述外部物理参数变化趋势的外部物理属性示意图;
图3为本发明实施例的南向垂直面辐照度的实测值曲线图;
图4为本发明实施例的空调开闭行为的相对时间属性的示意图;
图5为本发明实施例的高质量训练集的示意图;
图6为本发明实施例的高质量训练集组成结构的示意图;以及
图7为本发明实施例的办公建筑内人员个性化环控行为预测模型训练集构建系统工作过程的流程图。
具体实施方式
对于本发明实施例中涉及到的环控行为产生机理进行逻辑推导从而为构建环控行为预测模型训练集提供理论基础,具体为:先对环控行为微观过程进行归纳总结得到人员对感觉刺激与非感觉刺激的处理机制以及感觉刺激对人员的作用机制;然后提出建筑人员行为的两种类型,即偏好型行为与习惯型行为;最后分析两种类型环控行为产生的特性从而得到描述偏好型行为与习惯型行为的属性,以此作为构建行为训练集的参数。
结合认知心理学[2]与认知神经科学[3]的研究成果,可以对建筑人员行为的产生机理归纳为:人员首先对从外部环境中获得的“信息”进行“加工”,从而给予“反馈”的过程。具体地:
当人员受到感觉刺激(即物理刺激)与非感觉刺激的综合作用后,大脑会进入模式识别过程,进而产生生理反应和行为反应。根据认知神经科学的相关理论[4][5][6][7][8],人体的感受器会对所接收的全部物理刺激进行“感觉登记”,因此在人员行为识别的研究中考虑全部的潜在物理刺激是十分必要的。此外,由于人员的个体差异,产生行为的每个阶段都会体现人员之间的个性化;由于人员的“感觉阈限”与先验经验(记忆)的不同,造成生物电信号的传递时间节点与知觉产生的时间节点不同(如有的人对冷敏感、有的人对热敏感);由于个体差异,造成的生理反应程度不同(如有的人比较爱流汗);以及由于人员不同的经验与习惯,造成行为反应的不同(如有的人感觉到冷时会首先添加衣物再调节空调,而有的人则会直接调节空调)。因此在建筑的实际运行阶段,人员动作行为预测需要考虑人员的个性化“偏好”与“习惯”,故而需要针对每个目标人员或群体分别建立相应的行为训练集以及动作行为预测模型。
如果在行为训练集中,通过较好的属性描述人员对感觉刺激与非感觉刺激的处理机制、以及物理刺激对人员的作用机制,就能为行为预测模型中的学习算法提供更好的学习资料。
根据McClelland与Rumelhart的理论[9],人员对感觉刺激与非感觉刺激分别采用两种维度的信息加工,分别为“自下而上维度”的信息加工以及“自上而下维度”信息加工。一个行为的产生往往并不只是受到其中一种维度的影响,而是两种维度同时作用,但两者所占比重是不同的。
假设将两个维度进行剥离,则可以认为人员由于受到周围环境变化的刺激产生的行为主要是通过“自下而上维度”的信息加工过程形成。例如:人员感觉到热而开启空调、人员感觉到光线太暗而开启照明等。人员所处环境中的温度、湿度、光照度等参数的动态变化都属于一种物理刺激。这些物理刺激作用于人体后,人体会通过感受器把外部的物理刺激转化为能够在感觉系统中传递的生物电能,并通过编码为动作电位传输至大脑,上述过程属于一种以“自下而上”的信息加工过程。经过上述过程产生的行为一般是因为人员所处的室内环境状态偏离了该人员的个性化舒适度区间从而导致人员决定采用相应的行为对其进行调整。因此,以“自下而上维度”的信息加工为主而产生的行为为人员对所处环境“偏好”的映射,属于“偏好型行为”。
另外,“自上而下维度”的信息加工过程产生的行为为人员因自身生活经验或长期记忆产生的行为,例如:人员午休时下拉遮阳帘、离开房间时关闭照明等。上述行为的产生往往并不是由于人体受到了物理刺激(感觉刺激),而是由于人员对周围环境的认知、记忆或思考,得到的一种非感觉刺激,从而形成一种以“自上而下”的信息加工为主的过程,因此上述行为属于人员的调节行为“习惯”,属于“习惯型行为”。
人员在建筑内的人工环境中主要受到的物理刺激为冷(热)及光的刺激。感受冷(热)刺激的人体感受器为存在于皮肤、粘膜或内脏中的外围温度感受器;感受光刺激的人体感受器为存在于视网膜中的视锥细胞与视杆细胞。感受器可以对接收到的外部物理刺激进行转换得到动作电位从而传输给大脑供大脑进行加工处理。具体为:随着外部物理刺激强度的提高,被激活的神经元内的动作单位也随之增加,从而使神经冲动经特异性神经通路将已转化为动作电位的不同类型的刺激信息按“有或无”的原则传递至不同的大脑中枢区域,进而产生不同感觉。需要指出的是外部物理刺激并非是按这种“有或无”的方式存在的。结合认知心理学的研究结论,感觉刺激作用于人体的机制,存在两种值得关注的现象,即差别感觉阈值现象与阈下知觉现象。因此外部物理刺激的存在方式需要从上述两种现象入手,研究如何描述偏好型行为的产生。
差别感觉阈值现象:Fechner通过实验提出刺激强度(即物理值)与感觉(即心理值)之间并非是一一对应的关系[10],由此引申出外部物理环境对人体刺激的“阈值”问题。经典心理物理学认为,阈值问题具有绝对感觉阈值和差别感觉阈值两种现象[2]。若将外界物理刺激进行量化,不仅其绝对值会引起人员的感觉,其前后时间步长中的相对变化值(可用“最小可觉差JND”来表示)也会引起人员的感觉;并且差别感觉阈值随原刺激的变化而变化,这种现象即为著名的韦伯-费希纳定律:
其中,ΔI为差别感觉阈值;I为标准刺激的物理量;k为常数。
当描述偏好型行为的产生时,除了需要描述导致行为产生的驱动因素的绝对数值,还需要描述行为产生前一段时间内该驱动因素变化的相对数值,甚至其变化的趋势从而能更全面地描述偏好型行为的产生。
阈下知觉现象:周围环境对人体的作用还存在“阈下知觉(SubliminalPerception)”的现象,具体分为:“主观阈限”与“客观阈限”两种阈值[11]。若刺激的强度未超过客观阈限,则人员不能感受到刺激;若刺激的强度超过了客观阈限,但未超过主观阈限,则刺激会被信息加工至阈下知觉;若刺激的强度超过了主观阈限,则进入意识知觉,即人员会意识到刺激的存在。因此,阈下知觉是一种超越客观阈限而未超过主观阈限的知觉。当不同的人员处于不同的环境时,主观阈限并不是固定的[12]。阈下知觉已被证明会影响人员的吃、喝行为[13]、通过持续的刺激影响人员对事物的选择[14]、以及吃药的行为[15]。在很多情况下,即使人员并未觉知到刺激,但其实刺激已经开始作用于人体,产生了阈下知觉,只有当阈下知觉的积累量超过了主观阈限,人员才会感受到刺激的存在。从宏观的角度上看,阈下知觉的积累过程被解释成了人员行为的产生存在延迟或者“惰性”。
由上述可知,外界物理刺激对人员产生的作用并不是瞬时的,而是以一种持续的刺激作用于人体,进而通过人体的信息加工机制产生感觉。
综上,感觉刺激作用于人体的机制不仅仅体现在感觉刺激的绝对强度方面,行为产生前感觉刺激的变化趋势同样会影响行为的产生;并且行为的产生并不仅仅是由于某一时刻的感觉刺激作用于人体,而是由感觉刺激在一段时间内的持续作用形成。因此,在构建个性化动作行为训练集时,需考虑上述提到的感觉刺激对人体的作用机制,从而使得训练集能够更好的映射偏好型行为的产生模式。
参考文献
[2]梁宁建.当代认知心理学(修订版)[M]..
[3]Gazzaniga M S,Ivry R B,Mangun G R.Cognitive Neuroscience.Thebiology of the mind,(2014)[M].Norton:New York,2006.
[4]Broadbent D E.Decision and stress.[J].1971.Academic Press,1971.
[5]Treisman A M,Gelade G.A feature-integration theory of attention[J].Cognitive psychology,1980,12(1):97–136.
[6]Cherry E C.Some experiments on the recognition of speech,with oneand with two ears[J].The Journal of the acoustical society of America,1953,25(5):975–979.
[7]Deutsch M,Gerard H B.A study of normative and informational socialinfluences upon individual judgment.[J].The journal of abnormal and socialpsychology,1955,51(3):629.
[8]Norman D A.Toward a theory of memory and attention.[J].Psychological review,1968,75(6):522.
[9]McClelland J L,Rumelhart D E,Group P D P R等.Parallel distributedprocessing[J].Explorations in the Microstructure of Cognition,1986,2:216–271.
[10]Fechner G T,Howes D H,Boring E G.Elements of psychophysics[M].Holt,Rinehart and Winston New York,1966.
[11]Cheesman J,Merikle P M.Distinguishing conscious from unconsciousperceptual processes.[J].Canadian Journal of Psychology/Revue canadienne depsychologie,1986,40(4):343.
[12]杨芳,廖东升,张晶轩.阈下知觉及其应用初探[J].国防科技,2013(4):10–15.
[13]Spencer S J,Zanna M P,Strahan E J.Subliminal priming andpersuasion:Striking while the iron is hot[J/OL].Journal of ExperimentalSocial Psychology,2002,38(6):556–568.
[14]Karremans J C,Stroebe W,Claus J.Beyond Vicary’s fantasies:Theimpact of subliminal priming and brand choice[J].Journal of ExperimentalSocial Psychology,2006,42(6):792–798.
[15]Bermeitinger C,Goelz R,Johr N等.The hidden persuaders break intothe tired brain[J/OL].Journal of Experimental Social Psychology,2009,45(2):320–326.
以下结合附图来说明本发明涉及的办公建筑内人员个性化环控行为预测模型训练集构建系统的实施例进行详细地说明。
<实施例>
本发明实施例中的训练集构建系统可以针对空调开闭行为、窗户开闭行为以及遮阳上拉下拉行为等环控行为进行高质量训练集的构建,从而提高实际应用中的环控行为预测模型的预测精度,构建智慧建筑。
图1为本发明实施例的办公建筑内人员个性化环控行为预测模型训练集构建系统的结构框图。
如图1所示,办公建筑内人员个性化环控行为预测模型训练集构建系统1包括物理参数存储部11、物理参数获取部12、物理属性计算部13、位置信息存储部14、行为存储部15、绝对时间属性计算部16、相对时间属性计算部17、训练集构建部18以及控制部19。
物理参数存储部11存储有与办公建筑内人员个性化的环控行为相关的外部物理参数。
其中,由外部物理参数所引起的的环控行为属于偏好型行为,它由外部物理环境引起,可以通过外部物理参数提炼出能反映环境状态变化的属性(即外部物理属性)。
图2为本发明实施例的外部物理参数以及用来描述外部物理参数变化趋势的外部物理属性示意图。
如图2所示,外部物理参数包括光照度、室内温度、室内湿度、二氧化碳浓度、太阳辐射量、水平面辐照度、房间朝向垂直面辐照度、室外温度以及室外湿度。
其中光照度、室内温度、室内湿度以及二氧化碳浓度属于室内环境参数,太阳辐射量、水平面辐照度、房间朝向垂直面辐照度、室外温度以及室外湿度属于室外环境参数。
物理参数获取部12用于实时获取外部物理参数的实测值。
图3为本发明实施例的南向垂直面辐照度的实测值曲线图。
如图3所示,以房间朝向为南的房间朝向垂直面辐照度为例来展现物理参数获取部12实时获取的实测值,纵坐标为南向垂直面辐照度,单位为W/m2,横坐标为时间。当南向垂直面辐照度该外部物理参数作为一种物理刺激开始作用于人体时,环控行为的产生不是即刻就产生,而是经过一定时间的持续刺激令人体达到调节环控装置的“阈值”从而出发环控行为的产生。
本实施例中,上述各个外部物理参数的实测值都可以通过物联网传感器测得,例如:温湿度传感器可以获取固定时间步长(如1分钟、5分钟、10分钟等自行设定的固定时间步长)的温湿度实测值;光照度传感器可以获取固定时间步长的光照度实测值;二氧化碳传感器获取二氧化碳实测值等等。
物理属性计算部13利用复数个预定计算方法计算预定监测时间内的实测值从而得到用来描述外部物理参数变化趋势的复数个外部物理属性。
其中,预定计算方法有平均值计算、最大值计算、最小值计算等。监测时间取1小时。
物理属性计算部13可以通过简单的程序计算对一定监测时间内(如2小时、1.5小时、1小时等可自行设定的监测时间)的实测值进行计算,最后得到如图2所示的平均值、标准差、变异系数、斜率、峰态系数、最大值、最小值、偏态系数、最大值到环控行为产生时持续时间、最小值到环控行为产生时持续时间、最大值到环控行为产生时斜率的变化以及最小值到环控行为产生时斜率的变化用来描述外部物理参数变化趋势的外部物理属性。
其中,“平均值”用来描述外部物理参数在监测时间内整体感觉刺激的强度;“标准差”、“变异系数”和“斜率”用来描述感觉刺激的变化程度;“最大值”、“最小值”和“峰态系数”用来描述最大感觉刺激强度的绝对数值;“偏态系数”、“最大值到环控行为产生时持续时间”以及“最小值到环控行为产生时持续时间”用来描述最大感觉刺激强度出现的时间;“最大值到环控行为产生时斜率的变化”以及“最小值到环控行为产生时斜率的变化”用来描述最大感觉刺激发生后到行为产生时的变化程度。
综上,通过对环控行为产生前一段时间内的各个外部物理参数的变化趋势的描述(如图3所示,在一个横轴为时间,纵轴为外部物理参数的坐标轴内反应该变化趋势)可以反应出导致环控行为(例如南向垂直面辐照度对应的是遮阳行为)产生的其中一个潜在驱动因素,并将该潜在驱动因素纳入高质量训练集中。
位置信息存储部14存储有办公建筑的地理位置信息,该地理位置信息至少包括纬度。
行为存储部15存储有办公建筑内人员个性化的环控行为产生的行为时间。
根据上述有关习惯型行为的描述,该行为的产生主要受到非感觉刺激的作用并且来源于人员自身,即依靠人员的自身经验与长期记忆,其具有一定的规律性,与人员自身的作息习惯有关,而人员自身的作息习惯又与“时间”密切相关。因此,结合办公建筑内人员行为的特性,本实施例从“绝对时间”与“相对时间”两个维度来描述习惯型行为产生的属性,继而纳入训练集中。
其中,“绝对时间”可以反映人员与绝对时间(如季节的变化、作息习惯等)相关的长期经验与行为习惯,例如:夏季避免太阳的直射从而长时间下拉遮阳,而冬季相反;人员有午休的习惯,并在睡前下拉遮阳,或每天下班后随手关灯。
绝对时间属性计算部16根据纬度、环控行为产生时的赤纬角以及太阳时角通过预定的绝对时间计算公式计算得到办公建筑对应的太阳高度角以及太阳方位角。
由于太阳相对于地球的位置存在每天与每年的周期变化现象,并且通过太阳高度角以及方位角以及确定“月、日、时、分”等时间概念,不仅可以描述一天当中的时间变化(如上午和下午的切换),还可以描述一年当中的时间变化(如季节的切换),是理想的描述“习惯型行为”的属性。所以将太阳高度角以及方位角作为“绝对时间属性”放入训练集中作为属性,从而可以较好地映射习惯型行为与时间的动态关系。
其中,太阳高度角h是地球上表面某点和太阳的连线与地面之间的夹角;太阳方位角α是太阳与地面上某点连线在地面上的投影与南向的夹角,太阳偏东时为负,偏西时为正。太阳高度角h以及太阳方位角α可以通过下式计算得到:
相对时间属性计算部17根据行为时间计算得到当前环控行为距离上一个环控行为的间隔时长以及在预定时间段内环控行为产生的次数。
本实施例中,相对时间属性的理论基础是一个被广泛证实的特点,即人员对室内环控装置的调节,具有一种“惰性”,即人员在产生了某次环控行为后,除非有极度的不舒适感出现而再次产生环控行为,短时间内不会再次产生相同类型的环控行为[1],人员只会不知不觉的“接纳”环控设备最后时刻的状态,直到遇到下一次的“不舒适危机”。
基于上述理论基础,从“一天当中行为产生的次数”这一角度直观地思考,办公建筑内人员在一天中对遮阳、窗户、空调等装置的调节次数是有限的。
图4为本发明实施例的空调开闭行为的相对时间属性的示意图。
如图4所示,以空调开闭行为的相对时间属性为例,纵向的“1”代表空调处于开启状态,“0”代表空调处于关闭状态,横向表示为三天的时间,由图4可知,三天内空调开闭行为分别产生了6次,包括3次开启空调行为以及3次关闭空调行为,并且在产生行为后的短时间内几乎不会再次产生同类型环控行为。
通过上述分析,相对时间属性计算部17将当前环控行为距离上一个环控行为的间隔时长以及在预定时间段内(如一天内)环控行为产生的次数作为描述相对时间的属性,并纳入训练集中。
绝对时间属性所描述的习惯型行为以及相对时间属性所反映的人员行为特性都是由人员自身的经验与习惯及特点导致,并非外部物理环境的持续刺激,因此不需要描述绝对时间以及相对时间在环控行为产生的前一段时间内的变化趋势,而是仅考虑环控行为产生时刻的属性值。
训练集构建部18可以依次将环控行为的类别、多个外部物理参数、描述该外部物理参数的复数个外部物理属性、该环控行为产生时的太阳高度角、太阳方位角以及该环控行为产生时的间隔时长、次数作为一组训练实例从而得到由多个训练实例组成的高质量训练集,其中类别包括有行为以及无行为。
图5为本发明实施例的高质量训练集的示意图。
如图5所示,高质量训练集中包括很多个训练实例,每个训练实例都由环控行为的类别、多个外部物理参数、复数个外部物理属性、该环控行为产生时的太阳高度角、太阳方位角以及该环控行为产生时的间隔时长、次数(即图5中的当天已产生的行为次数)组成。
其中,外部物理参数包括上述的光照度、室内温度、室内湿度、二氧化碳浓度、太阳辐射量、水平面辐照度、房间朝向垂直面辐照度、室外温度以及室外湿度,每个外部物理参数下又包括复数个外部物理属性:平均值、标准差、变异系数、斜率、峰态系数、最大值、最小值、偏态系数、最大值到环控行为产生时持续时间、最小值到环控行为产生时持续时间、最大值到环控行为产生时斜率的变化以及最小值到环控行为产生时斜率的变化。
具体地,外部物理参数的实测值通过物联网传感器实时获取,以10分钟为固定时间步长从而计算该固定时间步长内的外部物理属性,对环控行为发生前的1小时内的所有属性进行记录,同时记录环控行为发生时的太阳高度角、太阳方位角、与上一个环控行为的时间间隔、一天中发生的环控行为的次数以及上述各个属性造成的环控行为类别。
综上,偏好型行为与习惯型行为概念的提出是为了更好的描述建筑内人员动作行为的产生,而不是为了对某个实际行为分类。因此,不能在训练集中将环控行为区分为是偏好型行为还是习惯型行为,而是应把描述两类行为的属性都纳入训练实例中。
图6为本发明实施例的高质量训练集组成结构的示意图。
如图6所示,以空调行为、窗户行为以及遮阳行为为例,每种环控行为都可以分为开启行为训练集以及关闭行为训练集,开启行为训练集又可以分为有开启行为训练实例以及无开启行为训练实例,关闭行为训练集分为有关闭行为训练实例以及无关闭训练实例。
例如:空调行为分为空调开启行为训练集以及空调关闭行为训练集,空调开启行为训练集又进一步地分为“有行为”的实例(属于Positive Class)以及空调未运行时“无行为”的实例(属于Negative Class),而空调关闭行为训练集又分为“有行为”的实例(属于Positive Class)以及空调运行时“无行为”的实例(属于Negative Class);
窗户行为分为窗户开启行为训练集以及窗户关闭行为训练集,窗户开启行为训练集又进一步地分为“有行为”的实例(属于Positive Class)以及窗户未运行时“无行为”的实例(属于Negative Class),而窗户关闭行为训练集又分为“有行为”的实例(属于Positive Class)以及窗户开启时“无行为”的实例(属于Negative Class);
遮阳行为分为遮阳上拉行为训练集以及遮阳下拉行为训练集,遮阳上拉行为训练集又进一步地分为“有行为”的实例(属于Positive Class)以及除遮阳完全收起时“无行为”的实例(属于Negative Class),而遮阳下拉行为训练集又分为“有行为”的实例(属于Positive Class)以及除遮阳完全遮挡时“无行为”的实例(属于Negative Class)。
对于上述环控行为如此分类的原因是不同环控行为的产生具有不同的驱动因素(如室内光照度是遮阳行为产生的主要驱动因素,但并不是空调或窗户行为产生的主要驱动因素),因此应对不同行为类型需要分别构建相应的训练集。同时,对于一种行为类型,应分为两个训练集,每个训练集中呈现两种类别的数据,这样可以确保训练集的逻辑自洽,“无行为类别”中应剔除不属于该训练集考虑范围的实例(如在“空调开启行为训练集”中,空调开启行为肯定是发生在空调未运行时的情况下,因此该训练集中的“无行为类别”应除去空调运行期间的无行为情况)。
控制部19用于控制上述各个部运行实现相应的功能。
图7为本发明实施例的办公建筑内人员个性化环控行为预测模型训练集构建系统工作过程的流程图。
如图7所示,办公建筑内人员个性化环控行为预测模型训练集构建系统1工作过程包括如下步骤:
步骤S1,物理参数获取部12实时获取各个外部物理参数的实测值,然后进入步骤S2;
步骤S2,物理属性计算部13根据实测值通过复数个计算方法计算得到预定监测时间内用来描述外部物理参数变化趋势的复数个外部物理属性,绝对时间属性计算部16根据纬度、环控行为产生时的赤纬角以及太阳时角计算得到太阳高度角以及太阳方位角,相对时间属性计算部17根据行为时间计算得到当前环控行为距离上一个环控行为的间隔时长以及在预定时间段内环控行为产生的次数,然后进入步骤S3;
步骤S3,训练集构建部18依次将环控行为的类别、多个外部物理参数、外部物理属性、太阳高度角、太阳方位角以及间隔时长、数作为一组训练实例从而得到由多个训练实例组成的高质量训练集,然后进入结束状态。
实施例作用与效果
根据上述实施例提供的办公建筑内人员个性化环控行为预测模型训练集构建系统1,由于物理参数获取部12可以实时获取外部物理参数的实测值,物理属性计算部13又可以利用复数个预定计算方法计算预定监测时间内的实测值得到复数个外部物理属性,同时,外部物理参数包括光照度、室内温度、室内湿度、二氧化碳浓度、太阳辐射量、水平面辐照度、房间朝向垂直面辐照度、室外温度以及室外湿度,因此全面考虑了造成环控行为的各种因素,并且不是单纯地只对环控行为产生时刻的各种因素进行评估,而是针对环控行为产生前一段时间内的各种因素进行评估,从而符合心理学中有关外部物理环境对人体刺激是有“阈值”的相关研究结论。
另外,实施例中,由于绝对时间属性计算部16可以根据纬度、环控行为产生时的赤纬角以及太阳时角通过预定的绝对时间计算公式计算得到办公建筑对应的太阳高度角以及太阳方位角,因此相较于只以钟表上的时间作为绝对时间而言,太阳高度角以及太阳方位角对绝对时间的描述更为精准,并且因为考虑到了办公建筑的纬度信息,所以同时实现了空间与时间两个维度的描述,使得最后训练出的环控行为预测模型可以适用于不同地区的目标建筑或目标房间从而具有更好的泛化能力。
另外,实施例中,由于相对时间属性计算部17可以根据行为时间计算当前环控行为距离上一个环控行为的间隔时长以及在预定时间段内环控行为产生的次数,因此将办公建筑内人员对室内环控装置的调节具有“惰性”的因素考虑在内,充分考虑到人员不会在自身的舒适圈内频繁调节环控装置这一因素。
另外,实施例中,由于高质量训练集分为开启行为训练集以及关闭行为训练集,开启行为训练集分为有开启行为训练实例以及无开启行为训练实例,关闭行为训练集分为有关闭行为训练实例以及无关闭训练实例,因此相较于将训练集分为开启行为训练集、关闭行为训练集以及无行为训练集而言,本实施例中的分类更为精细从而能帮助环控行为预测模型更好地学习每一种行为与各个属性之间的关系,以此训练出性能更好地应用在现实生活中的环控行为预测模型。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
Claims (4)
1.一种办公建筑内人员个性化环控行为预测模型训练集构建系统,用于构建高质量训练集从而提升环控行为预测模型的性能,其特征在于,包括:
物理参数存储部,存储有与办公建筑内人员个性化的环控行为相关的外部物理参数,该外部物理参数包括光照度、室内温度、室内湿度、二氧化碳浓度、太阳辐射量、水平面辐照度、房间朝向垂直面辐照度、室外温度以及室外湿度;
位置信息存储部,存储有所述办公建筑的地理位置信息,该地理位置信息至少包括纬度;
行为存储部,存储有所述环控行为产生的行为时间;
物理参数获取部,用于实时获取所述外部物理参数的实测值;
物理属性计算部,利用复数个预定计算方法计算预定监测时间内的所述实测值从而得到用来描述所述外部物理参数变化趋势的复数个外部物理属性;
绝对时间属性计算部,根据所述纬度、所述环控行为产生时的赤纬角以及太阳时角通过预定的绝对时间计算公式计算得到所述办公建筑对应的太阳高度角以及太阳方位角;
相对时间属性计算部,根据所述行为时间计算得到当前环控行为距离上一个环控行为的间隔时长以及在预定时间段内所述环控行为产生的次数;
训练集构建部,依次将所述环控行为的类别、多个所述外部物理参数、描述该外部物理参数的复数个所述外部物理属性、该环控行为产生时的所述太阳高度角、所述太阳方位角以及该环控行为产生时的所述间隔时长、所述次数作为一组训练实例从而得到由多个所述训练实例组成的所述高质量训练集,其中所述类别包括有行为以及无行为。
2.根据权利要求1所述的办公建筑内人员个性化环控行为预测模型训练集构建系统,其特征在于:
其中,所述高质量训练集分为开启行为训练集以及关闭行为训练集,所述开启行为训练集分为有开启行为训练实例以及无开启行为训练实例,所述关闭行为训练集分为有关闭行为训练实例以及无关闭训练实例。
4.根据权利要求1所述的办公建筑内人员个性化环控行为预测模型训练集构建系统,其特征在于:
其中,所述外部物理属性为平均值、标准差、变异系数、斜率、峰态系数、最大值、最小值、偏态系数、最大值到所述环控行为产生时持续时间、最小值到所述环控行为产生时持续时间、最大值到所述环控行为产生时所述斜率的变化以及最小值到所述环控行为产生时所述斜率的变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011300339.5A CN112507420B (zh) | 2020-11-19 | 2020-11-19 | 办公建筑内人员个性化环控行为预测模型训练集构建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011300339.5A CN112507420B (zh) | 2020-11-19 | 2020-11-19 | 办公建筑内人员个性化环控行为预测模型训练集构建系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507420A true CN112507420A (zh) | 2021-03-16 |
CN112507420B CN112507420B (zh) | 2022-12-27 |
Family
ID=74958691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011300339.5A Active CN112507420B (zh) | 2020-11-19 | 2020-11-19 | 办公建筑内人员个性化环控行为预测模型训练集构建系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507420B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113550686A (zh) * | 2021-06-29 | 2021-10-26 | 同济大学 | 办公室内遮阳装置控制方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320098A (zh) * | 2008-07-11 | 2008-12-10 | 重庆大学 | 基于数字图像分析的城镇热岛特性预测方法及系统 |
CN102599930A (zh) * | 2010-12-10 | 2012-07-25 | 通用电气公司 | 用于超声成像三维体积的超声成像系统和方法 |
CN104756118A (zh) * | 2012-08-31 | 2015-07-01 | 乔治·洛伊索斯 | 用于对本地环境的改变进行预测的专家系统 |
CN104854521A (zh) * | 2012-11-07 | 2015-08-19 | 麦可希德体系股份有限公司 | 利用亮度建模的自动化遮蔽控制系统 |
CN104866679A (zh) * | 2015-06-01 | 2015-08-26 | 西安交通大学 | 一种开关设备的机械特性预测方法 |
CN106295902A (zh) * | 2016-08-19 | 2017-01-04 | 北京世纪微熵科技股份有限公司 | 建筑冷热负荷预测系统、方法及建筑内部空气调节系统 |
US20170185057A1 (en) * | 2011-04-14 | 2017-06-29 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
US20170192406A1 (en) * | 2011-04-14 | 2017-07-06 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN107169606A (zh) * | 2017-05-18 | 2017-09-15 | 天津大学 | 一种办公建筑冷负荷的预测方法 |
CN107635326A (zh) * | 2017-06-29 | 2018-01-26 | 青岛恒金源电子科技有限公司 | 一种家居智能灯光控制方法及其系统 |
CN107906683A (zh) * | 2017-11-03 | 2018-04-13 | 广东美的制冷设备有限公司 | 空调器的开合结构控制方法、空调器和可读存储介质 |
CN107920260A (zh) * | 2016-10-10 | 2018-04-17 | 国家新闻出版广电总局广播科学研究院 | 数字电视用户行为预测方法及装置 |
CN108537383A (zh) * | 2018-04-09 | 2018-09-14 | 山东建筑大学 | 一种基于模型融合的室内空气预测方法 |
US20190242608A1 (en) * | 2018-02-05 | 2019-08-08 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Personalized Heating, Ventilation, and Air Conditioning |
CN110165991A (zh) * | 2019-06-28 | 2019-08-23 | 合肥阳光新能源科技有限公司 | 一种光伏组件跟踪系统控制方法及装置 |
CN110329271A (zh) * | 2019-06-18 | 2019-10-15 | 北京航空航天大学杭州创新研究院 | 一种基于机器学习的多传感器车辆行驶检测系统及方法 |
CN110345097A (zh) * | 2019-06-14 | 2019-10-18 | 南京晶达微电子科技有限公司 | 一种风扇控制方法、装置、设备及计算机存储介质 |
CN110472197A (zh) * | 2019-08-22 | 2019-11-19 | 苏州卡泰里环保能源有限公司 | 基于Binary Logistic模型运用哑变量预测开窗行为的方法 |
CN110490379A (zh) * | 2019-08-13 | 2019-11-22 | 山东建筑大学 | 基于mcmc的办公室人员用能行为预测方法及系统 |
CN112302470A (zh) * | 2019-08-01 | 2021-02-02 | 福特全球技术公司 | 车窗控制 |
-
2020
- 2020-11-19 CN CN202011300339.5A patent/CN112507420B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320098A (zh) * | 2008-07-11 | 2008-12-10 | 重庆大学 | 基于数字图像分析的城镇热岛特性预测方法及系统 |
CN102599930A (zh) * | 2010-12-10 | 2012-07-25 | 通用电气公司 | 用于超声成像三维体积的超声成像系统和方法 |
US20170185057A1 (en) * | 2011-04-14 | 2017-06-29 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
US20170192406A1 (en) * | 2011-04-14 | 2017-07-06 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
CN104756118A (zh) * | 2012-08-31 | 2015-07-01 | 乔治·洛伊索斯 | 用于对本地环境的改变进行预测的专家系统 |
CN104854521A (zh) * | 2012-11-07 | 2015-08-19 | 麦可希德体系股份有限公司 | 利用亮度建模的自动化遮蔽控制系统 |
CN104866679A (zh) * | 2015-06-01 | 2015-08-26 | 西安交通大学 | 一种开关设备的机械特性预测方法 |
CN106295902A (zh) * | 2016-08-19 | 2017-01-04 | 北京世纪微熵科技股份有限公司 | 建筑冷热负荷预测系统、方法及建筑内部空气调节系统 |
CN107920260A (zh) * | 2016-10-10 | 2018-04-17 | 国家新闻出版广电总局广播科学研究院 | 数字电视用户行为预测方法及装置 |
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN107169606A (zh) * | 2017-05-18 | 2017-09-15 | 天津大学 | 一种办公建筑冷负荷的预测方法 |
CN107635326A (zh) * | 2017-06-29 | 2018-01-26 | 青岛恒金源电子科技有限公司 | 一种家居智能灯光控制方法及其系统 |
CN107906683A (zh) * | 2017-11-03 | 2018-04-13 | 广东美的制冷设备有限公司 | 空调器的开合结构控制方法、空调器和可读存储介质 |
US20190242608A1 (en) * | 2018-02-05 | 2019-08-08 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Personalized Heating, Ventilation, and Air Conditioning |
CN108537383A (zh) * | 2018-04-09 | 2018-09-14 | 山东建筑大学 | 一种基于模型融合的室内空气预测方法 |
CN110345097A (zh) * | 2019-06-14 | 2019-10-18 | 南京晶达微电子科技有限公司 | 一种风扇控制方法、装置、设备及计算机存储介质 |
CN110329271A (zh) * | 2019-06-18 | 2019-10-15 | 北京航空航天大学杭州创新研究院 | 一种基于机器学习的多传感器车辆行驶检测系统及方法 |
CN110165991A (zh) * | 2019-06-28 | 2019-08-23 | 合肥阳光新能源科技有限公司 | 一种光伏组件跟踪系统控制方法及装置 |
CN112302470A (zh) * | 2019-08-01 | 2021-02-02 | 福特全球技术公司 | 车窗控制 |
CN110490379A (zh) * | 2019-08-13 | 2019-11-22 | 山东建筑大学 | 基于mcmc的办公室人员用能行为预测方法及系统 |
CN110472197A (zh) * | 2019-08-22 | 2019-11-19 | 苏州卡泰里环保能源有限公司 | 基于Binary Logistic模型运用哑变量预测开窗行为的方法 |
Non-Patent Citations (3)
Title |
---|
ROMANA MARKOVIC 等: "Window Opening Model using Deep Learning Methods", 《ARXIV:1807.03610V3》 * |
ZHENGRONG LI 等: "Establishment of a personalized occupant behavior identification model for occupant-centric buildings by considering cost sensitivity", 《ENERGY & BUILDINGS》 * |
刘琦 等: "建筑日照", 《建筑日照》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113550686A (zh) * | 2021-06-29 | 2021-10-26 | 同济大学 | 办公室内遮阳装置控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112507420B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101687321B1 (ko) | 수면 유도 장치 및 이를 포함하는 수면 관리 시스템 | |
Meerbeek et al. | Building automation and perceived control: A field study on motorized exterior blinds in Dutch offices | |
CN106604508A (zh) | 基于自学习的灯光环境控制方法和控制系统 | |
CN111460850B (zh) | 数据处理方法及装置、电子设备及存储介质 | |
Inkarojrit | Monitoring and modelling of manually-controlled Venetian blinds in private offices: a pilot study | |
CN112507420B (zh) | 办公建筑内人员个性化环控行为预测模型训练集构建系统 | |
CN105103658A (zh) | 环境控制系统 | |
CN104033988A (zh) | 空调控制系统及其控制方法 | |
CN110774996B (zh) | 车内环境的调节方法、装置和系统 | |
Von Grabe | The systematic identification and organization of the context of energy-relevant human interaction with buildings—a pilot study in Germany | |
CN111665730A (zh) | 电器配置方法和智能家居系统 | |
CN111077925A (zh) | 光照调节设备的控制方法、装置、电子设备及存储介质 | |
WO2023159958A1 (zh) | 智能家居系统的唤醒方法、唤醒装置和智能家居系统 | |
CN110726222A (zh) | 空调控制方法、装置、存储介质以及处理器 | |
CN113641114A (zh) | 智能起床场景的环境控制方法及系统 | |
CN113550686A (zh) | 办公室内遮阳装置控制方法 | |
EP3477981A1 (de) | Verhaltensbasierte authentifizierung unter berücksichtigung von umweltparametern | |
Wei et al. | Probabilistic modelling of human adaptive behaviour in non-air-conditioned buildings | |
Jia et al. | An agent-based model approach for simulating interactions between occupants and building systems | |
CN109141631B (zh) | 一种活动时间监控方法及系统 | |
JP2020136006A (ja) | 調光制御装置 | |
CN106325136A (zh) | 联动控制方法、联动控制系统和空调器 | |
Liu et al. | A new algorithm for real-time detection of window opening area in residential buildings | |
CN204345868U (zh) | 具有睡眠监控功能的空调器 | |
CN115398354A (zh) | 动态优化的环境控制系统(ecs) |
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 |