CN113011035A - 一种融合空间属性的建筑室内环境满意度预测模型和方法 - Google Patents
一种融合空间属性的建筑室内环境满意度预测模型和方法 Download PDFInfo
- Publication number
- CN113011035A CN113011035A CN202110322174.XA CN202110322174A CN113011035A CN 113011035 A CN113011035 A CN 113011035A CN 202110322174 A CN202110322174 A CN 202110322174A CN 113011035 A CN113011035 A CN 113011035A
- Authority
- CN
- China
- Prior art keywords
- satisfaction
- building
- parameters
- environment
- indoor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000007477 logistic regression Methods 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000010998 test method Methods 0.000 claims 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 11
- 238000007689 inspection Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000001430 Omnibus test Methods 0.000 description 2
- 238000001358 Pearson's chi-squared test Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种融合空间属性的建筑室内环境满意度预测模型建立方法,包括以下步骤:在建筑物功能区域设置监测点位,采集建筑室内参数,所述建筑室内参数包括环境参数、自然参数和反映空间属性的空间参数;采集所述监测点位附近人员对环境的满意度数据;将人员满意度与对应的建筑室内参数进行匹配,形成样本数据;将所述样本数据中的建筑室内参数作为满意度预测模型的自变量,室内环境满意度设为因变量,建立基于二元逻辑回归算法的满意度预测模型。
Description
技术领域
本发明属于绿色建筑技术领域,特别涉及一种融合空间属性的建筑室内环境满意度预测模型和方法。
背景技术
近年来,我国建筑业迅速发展,室内环境品质及舒适度逐渐成为人们关注的热点。舒适的建筑室内环境对建筑使用者的生理及心理健康至关重要,“环境舒适”更是绿色建筑品质体现的重要方面。室内环境满意度是一个受众多因素影响的主观感受,其影响因素主要包括热湿环境、空气品质、噪声环境、光环境、建筑空间品质等。其作为建筑运营后评估的重要组成部分,可有效指导建筑室内环境调控,提升绿色建筑运营管理水平。
现有建筑室内环境满意度评价多以问卷调研等主观方式开展,主观性和随机性无法避免,且缺乏与建筑室内环境客观参数的联动,不能有效指导室内环境调控。另一方面,当前关于室内环境满意度预测方面的成果较少,部分学者建立了反映室内环境参数与人员满意度关系的数学模型,但模型自变量单一,未考虑空间属性、自然因素等对人员满意度的影响,不能很好地反映人员满意度的实际情况。
发明内容
本发明实施例之一,一种融合空间属性的建筑室内环境满意度预测模型建立方法,包括以下步骤:
在建筑物功能区域设置监测点位,采集建筑室内参数;
采集所述监测点位附近人员对环境的满意度数据;
将人员满意度与对应的建筑室内参数进行匹配,形成样本数据;
将所述样本数据中的建筑室内参数作为满意度预测模型的自变量,室内环境满意度设为因变量,建立基于二元逻辑回归算法的满意度预测模型。
本发明目的是融合空间属性的绿色办公建筑室内环境满意度预测模型,实现室内环境总体满意度预测和单项满意度预测(热环境、光环境、声环境、空气品质),基于模型提出一套建筑室内环境满意度预测方法与流程,实现客观参数与主观满意度反馈的联动,用以更好指导室内环境调控。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1根据本发明实施例之一的建筑室内环境满意度预测方法示意图。
图2根据本发明实施例之一的ROC曲线示意图。
具体实施方式
通过对现有的关于建筑室内环境满意度预测方法的研究,可以发现存在以下问题:
第一,对建筑室内热舒适的预测方法较多,缺乏对其他单项环境如空气品质、光环境、声环境满意度的预测方法;
第二,室内环境监测实时数据与主观满意度反馈数据缺乏联动;
第三,预测模型自变量仅包含环境参数,变量类型单一,缺乏对空间因素、自然因素等对满意度影响的考虑。
根据本发明的实施例,一种融合空间属性的建筑室内环境满意度预测方法,包括,
①建立融合空间属性的建筑室内环境满意度预测模型;
②实现室内环境总体满意度预测和单项满意度预测(热环境、光环境、声环境、空气品质);
③提出建筑人员室内环境满意度预测方法与流程,实现客观参数与主观满意度反馈的联动。
根据一个或者多个实施例,如图1所示,一种融合空间属性的基于二元逻辑回归的建筑室内环境满意度预测评价方法,实现了室内环境满意度与环境、空间参数的函数化表达,具体包括以下步骤:
1)参数采集。在建筑典型功能区域布置监测点位,通过环境传感器、BIM模型等采集建筑室内环境参数、空间参数、天气状况等,应包括的参数类别和获取方式见下表:
表1待采集参数类别和获取方式
2)人员满意度采集。通过纸质调研问卷、调研二维码/APP或按键器等方式采集监测点位附近的室内人员环境满意度数据,包括各单项满意度(热环境满意度、光环境满意度、声环境满意度、空气品质满意度)和总体满意度。
4)数据匹配。将人员满意度与对应的环境、空间参数等进行匹配,形成一条样本数据。剔除数据不完整及明显不合理的样本后,建立人员满意度预测模型应需要至少500条样本数据。
5)筛选确定纳入模型的自变量。将“室内环境满意度”设置为因变量,“满意”样本,用“1”表示;“不满意”样本,用“0”表示。将可能影响光环境满意度、热环境满意度、空气品质满意度、声环境满意度和总体满意度的特征变量总结于表2-表6。
表2影响光环境满意度的特征变量
表3影响热环境满意度的特征变量
表4影响空气品质满意度的特征变量
表5影响声环境满意度的特征变量
表6影响总体环境满意度的特征变量
采用非参数检验方法验证各特征变量对环境满意度的影响是否显著,“室内照度变量”、“温度”、“距窗距离”等连续变量采用Mann-Whitney U检验方法,“天气状况”和“开窗朝向”等分类变量采用皮尔逊卡方检验方法。依据非参数检验各特征变量对应的概率Sig值,如果Sig值小于0.05,则表明该特征变量对室内环境满意度有显著影响,可以纳入模型自变量。
6)二元逻辑回归模型建立。基于二元Logistic回归算法,以室内环境满意度为因变量,步骤5)筛选出的特征变量为自变量,其中分类变量需设置成哑变量。将得出的逻辑回归系数带入二元逻辑回归方程。
二元逻辑回归方程可表示为:
θ=β0+β1x1+β2x2+…+βnxn (2)
式中,
P为预测室内人员环境满意的概率,当P大于预测分类标准值,则该检测点位处环境满意度预测为满意,反之则预测为不满意;
β1-βn为各自变量的回归系数,x1-xn为“温度”、“湿度”、“天气状况”等客观特征变量。
7)绘制ROC曲线。ROC曲线即受试者工作特征曲线(Receiver OperatingCharacteristic Curve),一方面,其可以帮助确定合理的预测概率分类点,预测分类标准值可以利用Youden指数(即特异度与灵敏度的和减1)方法进行判断,Youden指数最大值对应的预测概率即为分类标准值;另一方面,可使用模型预测概率对Logistic回归模型预测效果进行判断。AUC(ROC曲线下面积)<0.6认为模型预测效果较差;0.6<AUC<0.75认为模型预测能力尚可;AUC>0.75认为模型预测能力较好。
8)利用模型进行建筑室内环境满意度预测。将步骤2)中的环境、空间、自然参数代入模型,即可进行监测点位的室内环境满意度实时预测。
根据本发明实施例,以下选取一个实际案例,利用该方法对夏热冬冷地区某绿色办公建筑进行夏季室内总体环境满意度预测评价。
1)该建筑共6F,选取其中2-6层典型办公空间,共布置10个监测点位C1-C10。
以监测点位为圆心,采集半径2m范围内的办公人员满意度数据。要求被调研人员通过调研二维码完成满意度调研,一天两次(上午、下午各一次),持续一周。
2)根据被调研人员填写问卷的时间,将满意度调研结果与监测点位的客观参数进行实时匹配,剔除数据不完整及明显不合理的样本后,每个测点样本数统计于下表2-1:
3)对表6影响总体满意度的特征变量进行非参数检验,筛选出对室内环境满意度有显著影响的特征变量。非参数检验Sig值结果如下表2-2所示。
符号 | 含义 | Sig值 | 非参数检验方法 |
I | 室内照度变量 | 0.011 | Mann-Whitney U检验 |
I<sup>2</sup> | 照度平方项 | 0.007 | Mann-Whitney U检验 |
t | 温度 | 0.000 | Mann-Whitney U检验 |
d | 湿度 | 0.000 | Mann-Whitney U检验 |
T<sup>2</sup> | 温度平方项 | 0.021 | Mann-Whitney U检验 |
D<sup>2</sup> | 湿度平方项 | 0.012 | Mann-Whitney U检验 |
T×D | 交叉项 | 0.025 | Mann-Whitney U检验 |
V<sub>CCO2</sub> | 二氧化碳浓度变量 | 0.000 | Mann-Whitney U检验 |
C<sub>PM2.5</sub> | PM<sub>2.5</sub>浓度 | 0.459 | Mann-Whitney U检验 |
N | 噪声值 | 0.004 | Mann-Whitney U检验 |
Dc | 距窗距离 | 0.024 | Mann-Whitney U检验 |
W | 天气状况 | 0.001 | 皮尔逊卡方检验 |
Dw | 开窗朝向 | 0.336 | 皮尔逊卡方检验 |
4)根据非参数检验结果,将Sig值小于0.05的特征变量纳入模型。最终纳入模型的自变量为天气状况、二氧化碳浓度变量、温度、温度平方项、湿度、湿度平方项、交叉项、室内照度变量、照度平方项、噪声和距窗距离共11项。室内环境总体满意度预测模型参数估计结果如下表所示。
表2-3模型系数的Omnibus检验
表2-4霍斯默-莱梅肖检验
表2-5室内环境总体满意度预测模型参数估计结果
模型系数的Omnibus检验用来检验自变量与Logit P之间的线性关系是否显著,本模型显著性检验结果均小于0.05,说明显著。霍斯默-莱梅肖检验用来检验模型的拟合优度。P值均不小于检验水准(即P>0.05)认为当前数据中的信息已经被充分提取,模型拟合优度较高,本模型P值为0.703。
室内环境总体满意度预测模型如下:
Logit(P满意)=θ=-0.952×(W==1)-0.3×10-2×CCO2+14.142×T-0.358×t2-0.472×d-0.762×10-2×d2+5.757×10-2×t×d+6.677×10-2×I-0.685×I2×10-4-0.014×N-0.051×Dc-171.559
其中:
W:天气
CCO2:二氧化碳浓度,ppm
t:温度,℃
d:湿度,%
Dc:距窗距离,m
N:噪声
I:室内照度,lux5)ROC曲线,如图2所示。模型ROC曲线如上图所示。AUC=0.908,表明模型预测能力较好。预测分类标准值(即Youden指数)为0.784,即P满意大于0.784,模型预测室内环境总体满意度为满意;反之预测为不满意。
本发明通过环境参数、空间信息和人员室内环境满意度采集,基于二元逻辑回归算法,实现了环境参数、建筑空间属性和人员室内环境满意度的函数化表达,形成了融合空间属性的建筑室内环境满意度预测方法,可实现建筑室内环境满意度的实时预测,弥补了现有室内环境满意度评价方法缺少空间因素的不足,为建筑智能化运营管理和室内环境品质提升提供有力支撑。
值得说明的是,虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (7)
1.一种融合空间属性的建筑室内环境满意度预测模型建立方法,其特征在于,包括以下步骤:
在建筑物功能区域设置监测点位,采集建筑室内参数,所述建筑室内参数包括环境参数、自然参数和反映空间属性的空间参数;
采集所述监测点位附近人员对环境的满意度数据;
将人员满意度与对应的建筑室内参数进行匹配,形成样本数据;
将所述样本数据中的建筑室内参数作为满意度预测模型的自变量,室内环境满意度设为因变量,建立基于二元逻辑回归算法的满意度预测模型。
3.一种融合空间属性的建筑室内环境满意度预测方法,其特征在于,采用如权利要求2所述的满意度预测模型对建筑室内环境满意度进行预测。
4.根据权利要求3所述的建筑室内环境满意度预测方法,其特征在于,采用ROC曲线评价所述满意度预测模型的预测效果。
5.根据权利要求1所述的建筑室内环境满意度预测模型建立方法,其特征在于,在监测点位使用环境传感器获取建筑室内环境参数,和/或,
根据BIM模型获取建筑室内空间参数,和/或,
采用测距仪获取建筑室内空间参数,和/或,
人为判断。
6.根据权利要求1所述的建筑室内环境满意度预测模型建立方法,其特征在于,所述的建筑室内环境满意度包括热环境满意度、光环境满意度、声环境满意度、空气品质满意度和总体满意度。
7.根据权利要求6所述的建筑室内环境满意度预测模型建立方法,其特征在于,对于影响建筑室内环境满意度的特征变量采用非参数检验方法验证各特征变量对环境满意度的影响是否显著。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322174.XA CN113011035A (zh) | 2021-03-25 | 2021-03-25 | 一种融合空间属性的建筑室内环境满意度预测模型和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322174.XA CN113011035A (zh) | 2021-03-25 | 2021-03-25 | 一种融合空间属性的建筑室内环境满意度预测模型和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011035A true CN113011035A (zh) | 2021-06-22 |
Family
ID=76407335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110322174.XA Pending CN113011035A (zh) | 2021-03-25 | 2021-03-25 | 一种融合空间属性的建筑室内环境满意度预测模型和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011035A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308140A (zh) * | 2020-10-30 | 2021-02-02 | 上海市建筑科学研究院有限公司 | 室内环境质量监控方法和终端 |
-
2021
- 2021-03-25 CN CN202110322174.XA patent/CN113011035A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308140A (zh) * | 2020-10-30 | 2021-02-02 | 上海市建筑科学研究院有限公司 | 室内环境质量监控方法和终端 |
Non-Patent Citations (5)
Title |
---|
于竞宇;於蓉;张琦;张航;孔泉;: "基于机器学习的养老机构室内环境质量满意度评价模型", 西安建筑科技大学学报(自然科学版), no. 04 * |
朱小雷: "广州典型保障房居住空间环境质量使用后评价及评价指标敏感性探索", 西部人居环境学刊, pages 2 - 4 * |
荣伟;王淑贤;李莉;: "城市公园公共服务市民满意度及影响因素分析――以乌鲁木齐市为例", 中国园林, no. 05 * |
赵坤: "新建办公建筑室内空气品质、热环境对人体舒适度影响探究", 中国硕士学位论文全文数据库 工程科技辑 * |
邓凌桐;陈曦;康健;: "基于人工神经网络技术的声舒适度评价预测研究", 建筑技术, no. 05 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
Wang et al. | Quantitative energy performance assessment methods for existing buildings | |
Kapetanakis et al. | Input variable selection for thermal load predictive models of commercial buildings | |
Li et al. | Prediction of PM2. 5 concentration based on the similarity in air quality monitoring network | |
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 | |
Woodrum et al. | Reexamination of religious influences on abortion attitudes | |
CN111489015A (zh) | 基于多种模型对比和优化的大气o3浓度预测方法 | |
Liu et al. | A data calibration method for micro air quality detectors based on a LASSO regression and NARX neural network combined model | |
Pereira et al. | Room-scale analysis of spatial and human factors affecting indoor environmental quality in Porto residential flats | |
Parkinson et al. | Evaluating positivist theories of occupant satisfaction: a statistical analysis | |
Liu et al. | Rethinking the limitations of research on occupants’ window-opening behavior: A review | |
CN105893748A (zh) | 基于粗糙集理论的幸福指数评价方法及系统 | |
CN114444910A (zh) | 一种面向电力物联网的边缘网络系统健康度评估方法 | |
CN114970675A (zh) | 基于特征选择的人工鼻冰箱食物新鲜度检测系统和方法 | |
Tang et al. | Automating the interpretation of PM2. 5 time‐resolved measurements using a data‐driven approach | |
CN113011035A (zh) | 一种融合空间属性的建筑室内环境满意度预测模型和方法 | |
CN117078077A (zh) | 一种高速公路路域的生态脆弱性评价方法 | |
KR101934667B1 (ko) | 퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법 | |
Choi et al. | An individual weightage for indoor environmental quality component to enhance work performance in office buildings | |
Liu et al. | Prediction and lag analysis of public concern about air pollution based on gray relation analysis and bidirectional long short-term memory | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
CN110991878A (zh) | 基于李克特量表进行人群环境风险感知标准化测量的评估方法 | |
Suganya et al. | Prediction of the level of air pollution using adaptive neuro-fuzzy inference system | |
Kim et al. | Quantification of occupant response to influencing factors of window adjustment behavior using explainable AI | |
CN113688506B (zh) | 基于微站等多维数据的潜在大气污染源识别方法 |
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 |