DE102020213128A1 - Inferenz des wärmekomforts eines nutzers unter verwendung von körperforminformationen - Google Patents

Inferenz des wärmekomforts eines nutzers unter verwendung von körperforminformationen Download PDF

Info

Publication number
DE102020213128A1
DE102020213128A1 DE102020213128.7A DE102020213128A DE102020213128A1 DE 102020213128 A1 DE102020213128 A1 DE 102020213128A1 DE 102020213128 A DE102020213128 A DE 102020213128A DE 102020213128 A1 DE102020213128 A1 DE 102020213128A1
Authority
DE
Germany
Prior art keywords
user
comfort
room
information
shoulder
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
Application number
DE102020213128.7A
Other languages
English (en)
Inventor
Jonathan Francis
Matias Alberto Quintana Rosales
Sirajum Munir
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of DE102020213128A1 publication Critical patent/DE102020213128A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy

Abstract

Der Wärmekomfort eines Nutzers kann unter Verwendung von Körperforminformationen inferiert und verbessert werden. Die Größe, das Gewicht und der Schulterumfang eines Nutzers eines Raums können unter Verwendung eines Tiefensensors erhalten werden. Ein Modell kann genutzt werden, das an einem Datensatz einschließlich Informationen, die den Nutzerkomfort im Raum gegenüber der Temperatur widerspiegeln, trainiert ist, wobei das Modell als Eingaben die Größe, das Gewicht und den Schulterumfang des Nutzers und Umgebungsinformationen empfängt und eine Komfortklasse ausgibt. Ein Temperatursollwert wird identifiziert, für den der Raumnutzer durch das Modell als die einen Benutzerkomfort angebende Komfortklasse aufweisend identifiziert wird. HVAC(Heizung, Lüftung und Klimaanlage)-Steuerungen werden für den Raum auf den identifizierten Temperatursollwert eingestellt.

Description

  • TECHNISCHES GEBIET
  • Die vorliegende Offenbarung betrifft Aspekte des Verwendens von Körperforminformationen alleine oder in Kombination mit anderen Informationen, um den Wärmekomfort eines Nutzers zu inferieren oder zu verbessern.
  • HINTERGRUND
  • Der Wärmekomfort ist ein wichtiger Faktor bei der Gebäudesteuerung. Er treibt den Betrieb von HVAC-Systemen (Heizung, Lüftung und Klimaanlage) an, die geschätzt für 50 % der Gesamtenergienutzung in der bebauten Umwelt verantwortlich sind. Darüber hinaus hat der Wärmekomfort einen erheblichen Effekt auf das physiologische und psychologische Wohlergehen eines Individuums und beeinflusst die Gesundheit, die Zufriedenheit und die Leistungsfähigkeit eines Nutzers (Tom Y. Chang und Agne Kajackaite. 2019. „Battle for the thermostat: Gender and the effect of temperature on cognitive performance“. Plos One 14, 5 (2019); und William J Fisk. 2002. „How IEQ affects health, productivity“. ASHRAE journal 44 (2002)). Studien haben gezeigt, dass er zu entweder einer Zunahme der Konzentration und Produktivität unter optimalen Komfortbedingungen oder Lethargie und Ablenkung unter schlechten Komfortbedingungen führen kann (Weilin Cui, Guoguang Cao, Jung Ho Park, Qin Ouyang und Yingxin Zhu. 2013. „Influence of indoor air temperature on human thermal comfort, motivation and performance“. Building and Environment 68 (2013), 114-122; und Monika Frontczak und Pawel Wargocki. 2011. „Literature survey on how different factors influence human comfort in indoor environments“. Building and Environment 46, 4 (2011), 922-937).
  • Viele eingesetzte Steuersysteme für kommerzielle Gebäude basieren auf Modellen, die Wärmebedingungen regeln, häufig mittels vordefinierter Regeln mit vordefinierten Sollwerten, d. h. der Zieltemperatur in einer Innenumgebung. Temperatursollwerte werden entweder aus bewährten Standards abgeleitet, wie etwa ASHRAE 55 (American Society of Heating Refrigerating and Air-Conditioning Engineers. Standards Committee. 2013. „Thermal environmental conditions for human occupancy“. ASHRAE standard; 55-2013 2013, STANDARD 55 (2013), 1-44), oder erfordern ein kontinuierliches Feedback von Nutzern mittels Befragungen oder tragbarer Vorrichtungen. Wenige Gebäudesteuersysteme priorisieren die inhärenten physischen Charakteristiken des Nutzers, z. B. Körperforminformationen (Größe, Gewicht, Schulterumfang), wenn diese Wärmekomfortschätzungen vorgenommen werden.
  • Die Ausgereiftheit von nichtinvasiver Erfassung und privatsphärebewahrenden Nutzungsverfolgungssystemen hat sich im letzten Jahrzehnt stark verbessert, was die Nutzerverfolgung und die Nutzerparameterschätzung allgegenwärtiger gemacht hat (Nacer Khalil, Driss Benhaddou, Omprakash Gnawali und Jaspal Subhlok. 2017. „Sonicdoor: scaling person identification with ultrasonic sensors by novel modeling of shape, behavior and walking patterns“. (2017), 3; und S. Munir, R. S. Arora, C. Hesling, J. Li, J. Francis, C. Shelton, C. Martin, A. Rowe und M. Berges. 2017. „Real-Time Fine Grained Occupancy Estimation Using Depth Sensors on ARM Embedded Platforms“. In 2017 IEEE Real-Time and Embedded Technology and Applications Symposium (RTAS). 295-306). Wärmekomfortvorhersage bleibt einerseits aufgrund der Stochastizität der Umgebung, der Nichtstationarität menschlicher Wärmekomfortpräferenzen und der prohibitiven Kosten des Durchführens einer weiträumigen Wärmekomfortdatensammlung eine grundlegende Herausforderung in diesem Gebiet.
  • Der Wärmekomfort hat einen erheblichen Einfluss auf die Gesamtzufriedenheit in Innenumgebungen (Weilin Cui, Guoguang Cao, Jung Ho Park, Qin Ouyang und Yingxin Zhu. 2013. „Influence of indoor air temperature on human thermal comfort, motivation and performance“. Building and Environment 68 (2013), 114-122; und Monika Frontczak und Pawel Wargocki. 2011. „Literature survey on how different factors influence human comfort in indoor environments“. Building and Environment 46, 4 (2011), 922-937). Viele Gebäudesteuersysteme sind auf generische Wärmekomfortmodelle zur Temperaturregelung angewiesen, die die Lufttemperatur mitteln, um einen Wärmekomfort zwischen den Gebäudenutzern zu erreichen. Die am weitläufigsten verwendeten Modelle sind das PMV(Predicted Mean Vote)-Modell (Poul O. Fanger. 1967. „Calculation of thermal comfort, Introduction of a basic comfort equation“. ASHRAE transactions 73, 2 (1967), III-4), das PTNM (Pierce Two-Node Model) (Adolf P. Gagge. 1971. „An effective temperature scale based on a simple model of human physiological regulatory response“. Ashrae Trans. 77 (1971), 247-262), und das RP-884-Modell (Richard J. de Dear, Gail Schiller Brager, James Reardon, Fergus Nicol, et al. 1998. „Developing an adaptive model of thermal comfort and preference/discussion“. ASHRAE transactions 104 (1998), 145). Das PMV- und das PTNM-Modell wurden in den 70ern eingeführt; die Grundlage beider Modelle sind Laborstudien, die physiologische Parameter sowie Umgebungsdaten berücksichtigen (Poul O. Fanger. 1967. „Calculation of thermal comfort, Introduction of a basic comfort equation“. ASHRAE transactions 73, 2 (1967), 111-4; Adolf P. Gagge. 1971. „An effective temperature scale based on a simple model of human physiological regulatory response“. Ashrae Trans. 77 (1971), 247-262). Diese Daten beinhalten Lufttemperatur, mittlere Strahlungstemperatur, relative Luftfeuchtigkeit und Luftgeschwindigkeit und, für menschliche Faktoren, Bekleidungsisolierung und Stoffwechselrate. Alle drei erwähnten Modelle berücksichtigen menschliche Faktoren, anstatt spezifische Sollwerte zu verwenden, aber sie mitteln die Antworten individueller Nutzer.
  • Die jüngste Literatur setzt maschinelles Lernen ein, um Umgebungsdaten mittels überwachter Komfortmodellierung zu kontextualisieren (L. Barrios und W. Kleiminger. 2017. „The Comfstat - automatically sensing thermal comfort for smart thermostats“. In 2017 IEEE International Conference on Pervasive Computing and Communications (PerCom). 257-266; Weilin Cui, Guoguang Cao, Jung Ho Park, Qin Ouyang und Yingxin Zhu. 2013. „Influence of indoor air temperature on human thermal comfort, motivation and performance“. Building and Environment 68 (2013), 114-122). In einer Studie mit 38 Teilnehmern zeigen Kim et al. (Joyce Kim, Stefano Schiavon und Gail Brager. 2018. „Personal comfort models-A new paradigm in thermal comfort for occupant-centric environmental control“. Building and Environment 132 (2018), 114-124), dass personalisierte Wärmekomfortmodelle aufgrund der erhöhten Modellrepräsentationskapazität besser als herkömmliche Modelle, wie etwa das PMV, abschneiden. Die Evaluierung in (L. Barrios und W. Kleiminger. 2017. „The Comfstat - automatically sensing thermal comfort for smart thermostats“. In 2017 IEEE International Conference on Pervasive Computing and Communications (PerCom). 257-266) beurteilt, ob Wärmekomfort durch Sensordaten und Umgebungsvariablen bestimmt werden kann oder nicht, und die Autoren zeigen vielversprechende Ergebnisse bei personalisierten Modellen, mit einem Durchschnitt von 83 % über ihre 7 Teilnehmer. Ihre Ergebnisse werden mit einem Immer-Komfortabel-Modell sowie einem linearen Regressionsmodell verglichen, das nur Temperatur als Eingabe verwendet. Generalisierbarkeit ist jedoch infolge dieser Kohortengröße schwer zu folgern, deren Daten möglicherweise nicht die nichtstationären Eigenschaften der menschlichen Komfortpräferenz sowie umliegende Umgebungsphänomene erfassen (Diana Enescu. 2017. „A review of thermal comfort models and indicators for indoor environments“. Renewable and Sustainable Energy Reviews 79, Supplement C (2017), 1353 - 1379; Laura Klein, Jun Young Kwak, Geoffrey Kavulya, Farrokh Jazizadeh, Burcin Becerik-Gerber, Pradeep Varakantham und Milind Tambe. 2012. „Coordinating occupant behavior for building energy and comfort management using multiagent systems“. Automation in Construction 22 (2012), 525-536; V. Putta, G. Zhu, D. Kim, J. Hu und J. Braun. 2012. „A Distributed Approach to Efficient Model Predictive Control of Building HVAC Systems“. International High Performance Buildings Conference (2012)). Darüber hinaus sprechen diese Ansätze nicht die Rolle von Körperforminformationen (z. B. Größe, Gewicht und Schulterumfang) bei den Wärmekomfortvorhersagen an.
  • Ähnliche Versuche, die personalisierte Komfortmodelle begünstigen, beinhalten auch Nutzerfeedback, menschliche Faktoren und Biosignaldaten (z. B. Herzrate, Hauttemperatur und galvanische Hautreaktion) (Parisa Mansourifard, Farrokh Jazizadeh, Bhaskar Krishnamachari und Burcin Becerik-Gerber. 2013. „Online learning for personalized room-level thermal control: A multi-armed bandit framework“. In Proceedings of the 5th ACM Workshop on Embedded Systems For Energy-Efficient Buildings. ACM, 1-8; Liang Zhang, Abraham Hang-yat Lam und Dan Wang. 2014. „Strategy-proof thermal comfort voting in buildings“. In Proceedings of the 1st ACM Conference on Embedded Systems for Energy-Efficient Buildings. ACM, 160-163). Ein anderer Ansatz schlägt die Verwendung von über Video identifizierten Körpermerkmalen vor und zeigt, dass der menschliche Thermoregulationszustand aus der menschlichen Haut inferiert werden kann (Farrokh Jazizadeh und S Pradeep. 2016. „Can computers visually quantify human thermal comfort?: Short paper“. In Proceedings of the 3rd ACM International Conference on Systems for Energy-Efficient Built Environments. ACM, 95-98). Auf ähnlicher Basis verwendet das FORK-System einen Tiefensensor, um die Nutzung in Gebäuden zu detektieren, zu verfolgen und zu schätzen (S. Munir, R. S. Arora, C. Hesling, J. Li, J. Francis, C. Shelton, C. Martin, A. Rowe und M. Berges. 2017. „Real-Time Fine Grained Occupancy Estimation Using Depth Sensors on ARM Embedded Platforms“. In 2017 IEEE Real-Time and Embedded Technology and Applications Symposium (RTAS). 295-306).
  • Andere Ansätze, wie etwa SPOT (Peter Xiang Gao und Srinivasan Keshav. 2013. „SPOT: a smart personalized office thermal control system“. In Proceedings of the fourth international conference on Future energy systems. ACM, 237-246) und SPOT+ (Peter Xiang Gao und Srinivasan Keshav. 2013. „Optimal personal comfort management using SPOT+“. In Proceedings of the 5th ACM Workshop on Embedded Systems For Energy-Efficient Buildings. ACM, 1-8) beschreiben Nutzungserfassungssysteme zur Wärmesteuerung; infolgedessen besteht das Ziel dieser Arbeiten darin, einen Zonentemperatursollwert, im Gegensatz zu Komfortvorhersagen, zu erzeugen. SPOT verwendet das PPV(Predicted Personal Vote)-Modell, das Fangers PMV nimmt (Poul O. Fanger. 1967. „Calculation of thermal comfort, Introduction of a basic comfort equation“. ASHRAE transactions 73, 2 (1967), III-4) und eine lineare Funktion hinzufügt, um die Empfindlichkeit des Individuums bei den durch PMV verwendeten Variablen einzuschließen. Gao und Keshav (Peter Xiang Gao und Srinivasan Keshav. 2013. „Optimal personal comfort management using SPOT+“. In Proceedings of the 5th ACM Workshop on Embedded Systems For Energy-Efficient Buildings. ACM, 1-8) zeigen Reduzierungen im Nutzerunbehagen von 0,36 auf 0,02 im Vergleich zu Basislinien.
  • KURZFASSUNG
  • Gemäß einem oder mehreren veranschaulichenden Beispielen beinhaltet ein Verfahren zum Inferieren und Verbessern eines Wärmekomforts eines Nutzers unter Berücksichtigung von Körperforminformationen Erhalten der Größe, des Gewichts und des Schulterumfangs eines Nutzers eines Raums unter Verwendung eines Tiefensensors; Nutzen eines Modells, das an einem Datensatz trainiert ist, einschließlich Informationen, die den Nutzerkomfort im Raum gegenüber Temperatur widerspiegeln, wobei das Modell als Eingaben die Größe, das Gewicht und den Schulterumfang des Nutzers und Umgebungsinformationen empfängt und eine Komfortklasse ausgibt; Identifizieren eines Temperatursollwerts, bei dem der Raumnutzer durch das Modell als die einen Nutzerkomfort angebende Komfortklasse aufweisend identifiziert wird; und Einstellen von HVAC-Steuerungen für den Raum zu dem identifizierten Temperatursollwert.
  • Gemäß einem oder mehreren veranschaulichenden Beispielen beinhaltet ein System zum Inferieren und Verbessern eines Wärmekomforts eines Nutzers unter Berücksichtigung von Körperforminformationen einen Speicher, der Anweisungen speichert; und einen Prozessor. Der Prozessor ist programmiert, die Anweisungen auszuführen, um Operationen durchzuführen, einschließlich, als Reaktion auf das Detektieren, dass ein Nutzer einen Raum betritt, Erhalten der Größe, des Gewichts und des Schulterumfangs des Nutzers des Raums unter Verwendung eines Tiefensensors, der an einer Decke des Raums montiert ist; Nutzen eines Modells, das an einem Datensatz trainiert ist, einschließlich Informationen, die den Nutzerkomfort im Raum gegenüber Temperatur widerspiegeln, wobei das Modell als Eingaben die Größe, das Gewicht und den Schulterumfang des Nutzers und Umgebungsinformationen empfängt und eine Komfortklasse ausgibt; Identifizieren eines Temperatursollwerts, bei dem der Raumnutzer durch das Modell als die einen Nutzerkomfort angebende Komfortklasse aufweisend identifiziert wird; und Einstellen von HVAC-Steuerungen für den Raum zu dem identifizierten Temperatursollwert.
  • Gemäß einem oder mehreren veranschaulichenden Beispielen beinhaltet ein nichtflüchtiges computerlesbares Medium Anweisungen zum Inferieren und Verbessern eines Wärmekomfort eines Nutzers unter Berücksichtigung von Körperforminformationen, die bei Ausführung durch einen Prozessor bewirken, dass der Prozessor, als Reaktion auf das Detektieren, dass ein Nutzer einen Raum betritt, Folgendes ausführt: Erhalten der Größe, des Gewichts und des Schulterumfangs eines Nutzers eines Raums unter Verwendung eines Tiefensensors, der an einer Decke des Raums montiert ist; Nutzen eines Modells, das an einem Datensatz trainiert ist, einschließlich Informationen, die den Nutzerkomfort im Raum gegenüber Temperatur widerspiegeln, wobei das Modell als Eingaben die Größe, das Gewicht und den Schulterumfang des Nutzers und Umgebungsinformationen empfängt und eine Komfortklasse ausgibt; Identifizieren eines Temperatursollwerts, bei dem der Raumnutzer durch das Modell als die einen Nutzerkomfort angebende Komfortklasse aufweisend identifiziert wird; und Einstellen von HVAC-Steuerungen für den Raum zu dem identifizierten Temperatursollwert.
  • Figurenliste
    • 1 veranschaulicht einen beispielhaften Satz von Tiefenframes und entsprechenden Rot-Grün-Blau(RGB)-Bildern;
    • 2 veranschaulicht ein Beispiel von grafischen Darstellungen von Teilnehmerkomfort gegenüber Temperatur für einen Teilsatz von menschlichen Teilnehmern der Wärmekomfortstudie;
    • 3 veranschaulicht ein Beispiel einer Schulterumfangsschätzung;
    • 4 veranschaulicht ein Beispiel einer Schulterumfangsschätzung in einem Fall mit getrennten Schultern;
    • 5 veranschaulicht einen beispielhaften Einsatz einer Tiefensensorinstallation für die Sammlung von Tiefendaten;
    • 6 veranschaulicht ein Beispiel einer Benutzeroberfläche einer Mobilanwendung zum Sammeln von Daten von Komfortexperimentteilnehmern;
    • 7 zeigt eine Visualisierung von Clustern in einem zweidimensionalen Raum mit t-verteilter stochastischer Nachbareinbettung;
    • 8A und 8B zeigen f1 -Micro-Ergebnisse des Ansatzes an dem Testsatz für eine Kombination verschiedener Modelle;
    • 9 zeigt f1-Micro-Ergebnisse des personalisierten Ansatzes an dem Testsatz;
    • 10 veranschaulicht ein beispielhaftes System für die Verwendung von Körperforminformationen alleine oder in Kombination mit anderen Informationen, um den Wärmekomfort eines Nutzers zu inferieren oder zu verbessern; und
    • 11 veranschaulicht einen beispielhaften Prozess für die Verwendung von Körperforminformationen alleine oder in Kombination mit anderen Informationen, um den Wärmekomfort eines Nutzers zu inferieren oder zu verbessern.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Ausführungsformen der vorliegenden Offenbarung werden hier beschrieben. Es versteht sich jedoch, dass die offenbarten Ausführungsformen lediglich Beispiele sind und andere Ausführungsformen verschiedene und alternative Formen annehmen können. Die Figuren sind nicht notwendigerweise maßstabsgetreu; manche Merkmale könnten übertrieben oder minimiert sein, um Einzelheiten spezieller Komponenten zu zeigen. Die hier offenbarten speziellen strukturellen und funktionalen Details sind daher nicht als beschränkend aufzufassen, sondern lediglich als eine repräsentative Basis, um einen Fachmann zu lehren, die Ausführungsformen verschiedentlich einzusetzen. Durchschnittsfachleute auf dem Gebiet werden verstehen, dass verschiedene unter Bezugnahme auf irgendeine der Figuren veranschaulichte und beschriebene Merkmale mit in einer oder mehreren anderen Figuren veranschaulichten Merkmalen kombiniert werden können, um Ausführungsformen zu produzieren, die nicht explizit veranschaulicht oder beschrieben sind. Die Kombinationen von veranschaulichten Merkmalen stellen repräsentative Ausführungsformen für typische Anwendungen bereit. Verschiedene Kombinationen und Modifikationen der mit den Lehren dieser Offenbarung konsistenten Merkmale könnten jedoch für spezielle Anwendungen oder Implementierungen erwünscht sein.
  • Wärmekomfort ist ein entscheidender Faktor für das Wohlergehen, die Produktivität und die Gesamtzufriedenheit von Nutzern kommerzieller Gebäude. Viele kommerzielle Gebäudeautomatisierungssysteme verwenden entweder einen festen zonenweiten Temperatursollwert für alle Nutzer, oder sie sind auf großflächige Sensoreinsätze mit häufiger Online-Interaktion mit Nutzern angewiesen. Dies führt zu unzureichenden Komfortniveaus bzw. erheblichem Trainingsaufwand von Benutzern. Die zunehmende Allgegenwärtigkeit von kostengünstigen, tiefenbasierten Nutzungsverfolgungssystemen hat jedoch eine Verbesserung der Inferenzfähigkeiten ermöglicht.
  • Die menschliche Physiologie impliziert, dass die Körperform eine wichtige Rolle beim Wärmekomfort spielt. Ein Individuum mit einer größeren Körperoberfläche bietet einen größeren Bereich zum Erfassen der Temperatur außerhalb des Körpers. Zusätzlich besitzt Fettgewebe den Effekt, Wärme einzufangen, was bedeutet, dass der menschliche Kern warm bleibt, während sich die Körperoberfläche, d. h. die Haut, abkühlt.
  • Diese Offenbarung beschreibt ein verbessertes System, das zum Vorhersagen von Wärmekomfortpräferenzen von Nutzern verwendet werden kann, indem ihre Körperforminformationen wirksam eingesetzt werden. Der offenbarte Ansatz verbessert die Genauigkeit von Wärmekomfortvorhersagen, verringert die Notwendigkeit eines häufigen Nutzerkomfortfeedbacks während des Systemeinsatzes und setzt Daten von bestehenden kommerziellen Gebäudeerfassungsinfrastrukturen wirksam ein. Basierend auf einem Menschenstudienexperiment, bei dem Daten von menschlichen Teilnehmern gesammelt wurden, wurde ein Modell entwickelt, um den Wärmekomfort von Individuen unter Verwendung von Körperforminformationen zu inferieren. Dies ist ein neuartiger und nicht offensichtlicher Ansatz zum Inferieren des Wärmekomforts von Individuen. Darüber hinaus kann, um die erhöhte Inferenzleistung, die Körperforminformationen für die Komfortmodellierung bieten, hervorzuheben, das Modell mit anderen Fällen der gleichen Hyperparameterkonfiguration verglichen werden, die nur an einem abladierten Satz von Merkmalseingaben trainiert wird. Basierend auf dem Vergleich mit Modellbasislinien und Ablationen inferiert der beschriebene Ansatz den Wärmekomfort von Individuen mit höherer Genauigkeit, wenn Körperforminformationen berücksichtigt werden. Das Modell kann auch zur Temperatursollwertvorhersage konfiguriert werden, was zeigt, dass die beschriebene Strategie ungefähr wir der Stand der Technik agiert.
  • In dieser Offenbarung wird das FORK-System erweitert, um physiologische Körperforminformationen einzuschließen, damit die Wärmekomfortpräferenzen des Individuums inferiert wird. Wenn ein Nutzer einen Raum betritt, werden seine Größe, sein Gewicht und sein Schulterumfang unter Verwendung einer tiefenbasierten Nutzungsverfolgungsbaugruppe basierend auf FORK erhalten (S. Munir, R. S. Arora, C. Hesling, J. Li, J. Francis, C. Shelton, C. Martin, A. Rowe und M. Berges. 2017. „Real-Time Fine Grained Occupancy Estimation Using Depth Sensors on ARM Embedded Platforms“. In 2017 IEEE Real-Time and Embedded Technology and Applications Symposium (RTAS). 295-306). Diese Körperforminformationen können mit Umgebungssensordaten von der kommerziellen BACNet-Infrastruktur (Building Automation and Control Network - Gebäudeautomatisierungs- und Steuernetzwerk) auf unserem Campus kombiniert werden. Die Wärmekomfortpräferenz des Nutzers kann, konditioniert auf die Körperforminformationen und die Umgebungsfaktoren, klassifiziert werden. Unter Verwendung des Satzes von Komfortvorhersagen kann ein optimaler Zonentemperatursollwertebereich inferiert werden.
  • Bezüglich des Durchführens der Körperforminferenz verwendet das FORK(Finegrained Occupancy estimatoR Kinect)-System (S. Munir, R. S. Arora, C. Hesling, J. Li, J. Francis, C. Shelton, C. Martin, A. Rowe und M. Berges. 2017. „Real-Time Fine Grained Occupancy Estimation Using Depth Sensors on ARM Embedded Platforms“. In 2017 IEEE Real-Time and Embedded Technology and Applications Symposium (RTAS). 295-306) einen deckenmontierten Tiefensensor, um die Anzahl von Nutzern in einem Raum zu schätzen. Um Menschen im Sichtfeld des Sensors zu identifizieren und zu verfolgen, verwendet FORK einen modellbasierten Ansatz, der auf den anthropometrischen Eigenschaften menschlicher Köpfe und Schultern angewiesen ist. Der FORK-Menschendetektionsalgorithmus kann im offenbarten Ansatz verwendet werden, um Körperforminformationen zu bestimmen. Ein Grund zum Nutzen eines Tiefensensors zum Schätzen der Körperform (im Gegensatz zu beispielsweise einer RGB-Kamera) besteht darin, dass der Tiefensensor erheblich weniger privatsphäreninvasiv ist: ein Tiefensensor kann Hautfarbe, Haar, Kleidung nicht erfassen, und - da er über dem Kopf montiert ist - kann er keine Gesichtsmerkmale sehen. Daher ist es schwierig, Individuen unter Verwendung von Tiefenframes zu identifizieren, selbst wenn der Sensor beeinträchtigt ist. Der offenbarte Ansatz kann die Berechnung am Rand durchführen und kann dementsprechend ohne das Hochladen von Bilddaten zu einem Fernserver arbeiten. In einem Beispiel verwenden die offenbarten Ansätze das Microsoft Kinect V2, das Tiefenframes mit einer 512x424-Auflösung bereitstellt.
  • 1 veranschaulicht einen beispielhaften 100 Satz von Tiefenframes und entsprechenden RGB-Bildern. Wie gezeigt, beinhaltet das Beispiel 100 ein Proben-Tiefenframe (a) und ein entsprechendes RGB-Bild (b) einer Person, die einen Raum betritt, und ein Proben-Tiefenframe (c) und ein entsprechendes RGB-Bild (d) der Person, die den Raum verlässt. Der offenbarte Ansatz verwendet solche Tiefenframes, um die Größe und den Schulterumfang von Nutzern zu schätzen.
  • Bezüglich der Bestimmung der Größe passt er als Reaktion darauf an, dass FORK einen menschlichen Kopf detektiert, eine Kontur und einen minimalen umschließenden Kreis um den Kopf, wie in dem Proben-Tiefenframe (a) gezeigt. Unter allen Pixeln im Kreis lokalisiert das System ein Pixel Pmin = (px, py), das den minimalen Tiefenwert Dmin aufweist. Es ist zu beachten, dass, da der Tiefensensor einen Abstand zu seinen nächstgelegenen Objekten in Millimetern liefert, Pmin das Pixel ist, das den höchsten Punkt auf dem Kopf der Person repräsentiert. Um die Größe des Teilnehmers zu schätzen, schätzt das System die Fußbodenhöhe Fmax durch das Erstellen eines Histogramms einer Anzahl von Tiefenpixeln bei unterschiedlichen Abständen vom Sensor, wie in FORK. Das Bin mit der höchsten Anzahl an Pixeln wird als der Fußboden angesehen. Die Größe der Person wird dann als Fmax - Dmin berechnet. Da eine Person in mehreren Frames aufgenommen wird, während sie herein- und herausgeht, kann die Größe geschätzt werden, wenn sich die Person direkt unter dem Sensor befindet, sodass Größenschätzungen an den Rändern des Frames ignoriert werden können.
  • 3 veranschaulicht ein Beispiel 300 einer Schulterumfangsschätzung. Wie gezeigt, geben die Bilder (a)-(d) Aspekte einer Schulterumfangsschätzung für einen einen Raum betretenden Nutzer an, während die Bilder (e)-(h) Aspekte der Schulterumfangsschätzung für einen den Raum verlassenden Nutzer angeben. Bezüglich der Bestimmung des Schulterumfangs bestimmt das System den Schulterumfang unter Verwendung anthropometrischer Eigenschaften menschlicher Körper. FORK selbst schätzt keinen Schulterumfang, es detektiert lediglich das Vorhandensein einer Schulter. Um den Schulterumfang zu schätzen, kann das System einen Ansatz verwenden, der das Erhalten einer Mitte des Kopfes beinhaltet, z. B. unter Verwendung von FORK.
  • In Anbetracht dessen, dass der Ende-zu-Ende-Abstand zwischen zwei Schultern einer Person ungefähr dreimal den Durchmesser des Kopfes beträgt, passt das System ein Gebiet von Interesse (ROI) an, das den Kopf und die Schulter einschließt, und verwirft alle Pixel unter einer Schwelle Dmin + H + S, um Tiefenwerte unter dem Schulterniveau zu verwerfen. Ein Beispiel ist in 3(a) gezeigt. Das System erfasst ferner den Kopf, indem alle Tiefenpixel unter einer Schwelle H verworfen werden, was ein wenig geringer als die Länge eines durchschnittlichen menschlichen Kopfes ist. Ein Beispiel ist in 3(b) gezeigt. Die Schwellen H, S können auf 150 bzw. 300 Millimeter gesetzt werden. Das System subtrahiert dann das zweite Bild vom ersten Bild, um die Schulter zu erfassen. Ein Beispiel ist in 3(c) gezeigt. Unter Verwendung des Ergebnisses detektiert das System Konturen unter Verwendung des dritten Bildes und passt eine Ellipse an, um den Umfang der Schulter zu bestimmen. Ein Beispiel ist in 3(d) gezeigt, in dem die angepasste Ellipse in Blau gezeigt ist. Eine ähnliche Analyse ist für die Bilder 3(e)-(h) gezeigt, die ähnliche Schritte für einen den Raum verlassenden Benutzer zeigen.
  • Der Umfang der Ellipse wird verwendet, um den Umfang der Schulter zu schätzen. Es ist zu beachten, dass der Umfang der Ellipse in den Pixelkoordinaten vorliegt. Um ihn auf den Schulterumfang der realen Welt abzubilden, erstellt das System ein lineares Regressionsmodell unter Verwendung des Ellipsenumfangs als einen Prädiktor zum Anpassen der Trainingsdaten. Dieser Ansatz kann jedoch leiden, wenn die beiden Schultern getrennt sind oder wenn eine Schulter verdeckt wird.
  • 4 veranschaulicht ein Beispiel 400 einer Schulterumfangsschätzung in einem Fall mit getrennten Schultern. Um Situationen anzusprechen, bei denen die Schultern getrennt werden, meldet das System den Ellipsenumfang als (Gesamtsumme des Umfangs beider Ellipsen) * 3 / 2. Wenn das System nur eine Schulter auswählt, meldet das System den Ellipsenumfang als (Ellipsenumfang) * 3 / 2. Das System verwendet ferner das lineare Regressionsmodell, wie oben besprochen, um den Schulterumfang der realen Welt unter Verwendung des Ellipsenumfangs als eine Prädiktorvariable zu schätzen.
  • 5 veranschaulicht einen beispielhaften 500 Einsatz einer Tiefensensorinstallation für die Sammlung von Tiefendaten. Bezüglich der Datensammlung kann der Tiefensensor an oder nahe einer Decke eines Raums montiert sein, z. B. über einer Tür. Ein Beispiel des Tiefensensors kann der Microsoft Kinect V2 Tiefensensor sein. Wie in dem Beispiel 500 gezeigt, befindet sich der Tiefensensor hinter einem Ausgangszeichen, wie durch ein Rechteck in dem Beispiel 500 hervorgehoben. Als einen zusätzlichen Aspekt der Datensammlung kann das System einen Echtzeitzugriff auf die HVAC-Aktorzustandsinformationen des Konferenzraums über BACNet nutzen. Als noch einen weiteren Aspekt der Datensammlung kann eine Mobilanwendung (nicht gezeigt, aber auf einem Smartphone, einem Tablet oder einer anderen Mobilvorrichtung in Kommunikation mit der Rechenplattform installiert) verwendet werden, um Nutzerkomfortbefragungen zu sammeln.
  • In dieser vollständig gesteuerten Wärmekammer wurden individuelle Komfortexperimente durchgeführt, um einen Datensatz zu erzeugen, der eine umfangreiche Studie menschlicher Wärmekomfortpräferenzen in einer kommerziellen Gebäudeumgebung über einen breiten Bereich von Innenumgebungsbedingungen ermöglicht. Jedes Komfortexperiment dauerte 3,5 Stunden und begann mit dem manuellen Messen der Ground-Truth-Körperforminformationen des Teilnehmers. In einem Beispiel kann jeder Teilnehmer aufgefordert werden, in den Raum und aus dem Raum unter der Tiefenkamera zu gehen, um genaue Körperformvorhersagen zu erhalten.
  • 6 veranschaulicht ein Beispiel 600 einer Benutzeroberfläche einer Mobilanwendung zum Sammeln von Daten von Komfortexperimentteilnehmern. Jeder Teilnehmer kann mit einer tragbaren Biometrikvorrichtung ausgerüstet und mit einem Smartphone ausgestattet sein, das eine Wärmekomfort-Mobilanwendung ausführt. Eine beispielhafte tragbare Biometrikvorrichtung kann die tragbare Microsoft Band II Vorrichtung sein. Es sollte jedoch angemerkt werden, dass zusätzlich oder alternativ andere tragbare Biometrikvorrichtungen verwendet werden können, wie etwa ein tragbarer Fitness-Tracker, der Biometriken wie etwa Hauttemperatur, Herzrate und galvanische Hautreaktion verfolgt. Jeder Teilnehmer kann angewiesen werden, an einer Aktivität geringer Intensität seiner Wahl (z. B. Lesen) teilzunehmen, während er schnelle Wärmekomfortbefragungen in der Mobilanwendung ausfüllt, wie im Beispiel 600 gezeigt. Gleichzeitig kann die Luftströmungsrate mit einer Variation in der Zonentemperatur über BACNet zwischen ungefähr 60°F bis 80°F (16°C bis 27°C) gemäß einem Kalt-Heiß-Kalt-Steuerplan festgesetzt werden.
  • Der Teilnehmer füllte eine Wärmekomfortbefragung alle fünf Minuten oder zu jedem Zeitpunkt, zu dem er eine Änderung seines Bekleidungsniveaus (Hinzufügen oder Entfernen eines Pullovers) oder des Aktivitätstyps initiierte, aus. Teilnehmer lieferten ihre Komfortabstimmungen auf Basis einer reduzierten 5-Punkte-ASHRAE-55-Skala (American Society of Heating Refrigerating and Air-Conditioning Engineers. Standards Committee. 2013. „Thermal environmental conditions for human occupancy“. ASHRAE standard; 55-2013 2013, STANDARD 55 (2013), 1-44), siehe Tabelle 1, die verwendet wird, um die Komplexität der Abstimmung zu reduzieren.
    Komfortindex Label Anzahl ASHRAE
    Unkomfortabel warm +2 48 Kühler
    Etwas unkomfortabel warm +1 198
    Komfortabel 0 1152 Keine Änderung
    Etwas unkomfortabel kalt -1 452 Wärmer
    Unkomfortabel kalt -2 217
  • Tabelle 1: Wärmekomfortindex, diskretisiertes Wärmekomfortlabel auf 5-Punkte-Skala, die Anzahl von Antworten im Datensatz für jede Ebene für den Teilsatz mit 77 Teilnehmern, und die Abbildung auf die ASHRAE-Wärmekomfortskala.
  • Die Verwendung von Sieben-Punkte-Skalen verbessert allgemein die Zuverlässigkeit, in einem Umfeld, in dem Teilnehmer häufig abgefragt werden, erhöhen jedoch weniger Schritte zum Durchführen der Aufgabe die Wirksamkeit der Antworten (Emin Babakus und W Glynn Mangold. 1992. „Adapting the SERVQUAL scale to hospital services: an empirical investigation“. Health services research 26, 6 (1992); Sheetal B Sachdev und Harsh V Verma. 2004. „Relative importance of service quality dimensions: A multisectoral study“. Journal of services research 4, 1 (2004)). In der gegenwärtigen Beispielstudie bestand ein Hauptziel darin, den Wärmekomfort des Teilnehmers zu bestimmen, der, gemäß ASHRAE, auf „wärmer“, „kühler“ oder „keine Änderung“ abgebildet wird. Es kann jedoch auch nützlich sein, zu identifizieren, ob der Teilnehmer sich „unkomfortabel“ oder „etwas“ warm oder kalt fühlte, da dies wichtige Metadaten für die Relevanz einer Temperaturänderung für das spezifische Individuum ergibt. Diese Skala kann auf die Wärmekomfortskala der ASHRAE wie folgt abgebildet werden: „etwas unkomfortabel kalt“ und „unkomfortabel kalt“ auf „wärmer“, „komfortabel“ auf „keine Änderung“ und „etwas unkomfortabel warm“ und „unkomfortabel warm“ auf „kühler“. Die Wärmegefühlsskala der ASHRAE ist hier nicht eingeschlossen, da sie lediglich das aktuelle Gefühl der Testperson angibt, jedoch nicht den Komfort, was ein wichtigerer Faktor in diesem Fall ist. Die Wärmekomfortindexinformationen sind in Tabelle 1 zusammengefasst.
  • Zusätzlich sind Statistiken der menschlichen Testpersonpopulation in Tabelle 2 zusammengefasst. Obwohl dies in Tabelle 2 nicht gezeigt ist, wurde das selbstberichtete Geschlecht des Teilnehmers als ein zusätzliches Merkmal erhalten: 34 Männer und 43 Frauen. Tabelle 2: Teilnehmerpopulationsstatistiken für die 77 gefilterten Teilnehmer im Datensatz
    Merkmal Min Max Mittel Standardabweichung
    Zonentemperatur 60,1°F 85,0°F 71,4°F 6,22°F (3,5 °C)
    (15,6°C) (29,4°C) (21,9°C)
    Außentemperatur 6,8°F (- 91,4°F 49,6°F (9,8°C) 20,9°F (9,8°C)
    14,0°C) (33,0°C)
    Hauttemperatur 71,96°F 95,0°F 85,1 °F 4,0°F (2,2°C)
    (22,2°C) (35,0°C) (29,5°C)
    Rel. Außenluftfeuchtigkeit 33,5 % 100% 69,5 % 13,2%
    Schulterumfang 89,5 cm 133 cm 109,3 cm 10,9 cm
    Größe 151,0 cm 191,2 cm 170,1 cm
    Gewicht 90 Pfund 236,6 Pfund 153,0 Pfund 30,8 Pfund (13,98
    (40,82 kg) (107,32 kg) (69,4 kg) kg)
    Bekleidungsisolierung (clo) 0,25 1,15 0,57 0,19
  • 2 veranschaulicht ein Beispiel 200 von grafischen Darstellungen von Teilnehmerkomfort gegenüber Temperatur für einen Teilsatz von menschlichen Teilnehmern der Wärmekomfortstudie. Wie gezeigt, sind diese beispielhaften grafischen Darstellungen für neun der Teilnehmer vorhanden und geben die Komfortlabels für jeden der Teilnehmer bei verschiedenen Temperaturen an.
  • Während jedes Experiments wird die Zonenlufttemperatur abgetastet (z. B. in 30-sekündigen Intervallen), während Sollwerttemperatur und Luftströmungsrate nach einer Änderung abgetastet werden. Zusätzlich werden Außentemperatur und relative Luftfeuchtigkeit (z. B. mit 60-sekündiger Granularität) von einer nächstgelegenen Wetterstation erfasst (die sich in dem gegebenen Beispiel eine Viertelmeile (einen halben Kilometer) vom Experimentstandort befindet).
  • Eine Datensatzkuration kann an den gesammelten Daten durchgeführt werden. In einem Beispiel können die gesammelten Daten die folgenden Merkmalsgruppen beinhalten: Biometriksensordaten (Band), Körperforminformationen (Körper), subjektive Komfortdaten von der Mobilvorrichtungsanwendung (Befragung), Umgebungssensordaten vom HVAC-System (HVAC) und Außenwetterstationsdaten (Wetter). Die Datensatzmodalitäten selbst sind in Tabelle 3 zusammengefasst. In Tabelle 3 werden die Proben von Band, HVAC und Wetterdaten zu den durch die Befragungsdaten spezifizierten nächstliegenden Labels ausgerichtet. Die Bandwerte können so beobachtet werden, dass sie wenig Volatilität im Zeitraum von 1 Minute aufweisen, was für das gegenwärtige Beispiel die Abtastrate der tragbaren Vorrichtung und auch die maximale Zeitdifferenz zwischen Befragungs- und Bandprobenzeitstempeln ist.
  • Datensätze können zur Evaluierung basierend auf Merkmalsteilsätzen der vollständigen Daten erzeugt werden. Dies kann einen Vergleich von Ablationen der Wärmekomfortmodelle ermöglichen, die mit und ohne z. B. Körperforminformationen, Biometrikmerkmalen oder externen Wetterinformationen trainiert sind. Wie in Tabelle 3 gezeigt, gibt es fünf Datenteilsätze. Merkmalssatz-1 (FS1) beinhaltet Umgebungssensorinformationen, physische Charakteristiken des Nutzers, Nutzerbiometriken und Mobil-App-Befragungsinformationen. FS2 beinhaltet alle Merkmale von FS1, außer den Körperforminformationen. FS3 beinhaltet Umgebungssensorinformationen und physische Charakteristiken des Nutzers. FS4 beinhaltet nur Umgebungssensorinformationen. FS5 beinhaltet nur Zonentemperaturinformationen. Tabelle 3: Evaluierte Datenteilsätze
    Gesammelte Merkmale Lin. Reg.-Koeff. × 103 Merkmalssätze
    FS1 FS2 FS3 FS4 FS5
    Zonentemperatur (°F) 85,07 ✓ ✓ ✓ ✓ ✓
    Außentemperatur (°F) 0,23 ✓ ✓ ✓ ✓ ×
    Relative Außenluftfeuchtigkeit (%) 1,86 ✓ ✓ ✓ × ×
    Schulterumfang (cm) 12,77 ✓ × ✓ × ×
    Größe (cm) -0,47 ✓ × ✓ × ×
    Gewicht (Pfund) -2,11 ✓ × ✓ × ×
    Hauttemperatur (°F) -2,84 ✓ ✓ × × ×
    Bekleidungsisolierung (clo) -596 ✓ ✓ × × ×
    Geschlecht -52,59 ✓ ✓ × × ×
    Aktivität 11,96 × × × × ×
    GSR 0,00
  • Wie gezeigt, beinhaltet FS1 9 Merkmale. Obwohl andere Merkmale gesammelt wurden, wie etwa Aktivität und galvanische Hautreaktion (GSR), meldeten Teilnehmer nicht viele verschiedene Klassen für das erstgenannte Merkmal. Viele wählten ,ANDERES' aus und gingen dazu über, ihre Aktivitäten in ihren eigenen Worten zu beschreiben. Für das letztgenannte wurde nach dem Anpassen eines linearen Regressionsmodells mit allen Merkmalen identifiziert, dass GSR im Vergleich zu den restlichen Merkmalen am wenigsten beitrug. Unter Verwendung des Merkmalssatzes-2 (FS2) wurde der Effekt des Weglassens von Körperformcharakteristiken aus trainierten Modellen durch einen direkten Vergleich mit FS1 untersucht. Merkmalssatz-3 (FS3) bestand aus einem beschränkteren Satz von Merkmalen. Der Inferenzwert von nur diesen drei Modalitäten wurde hier getestet, da die ersten zwei leicht von BACNet bzw. lokalen Wetterstationen erhalten werden (siehe Tabelle 3), und die letzten drei leicht aus Tiefenkamera-Sensordaten regrediert oder inferiert werden (S. Munir, R. S. Arora, C. Hesling, J. Li, J. Francis, C. Shelton, C. Martin, A. Rowe und M. Berges. 2017. „Real-Time Fine Grained Occupancy Estimation Using Depth Sensors on ARM Embedded Platforms“. In 2017 IEEE Real-Time and Embedded Technology and Applications Symposium (RTAS). 295-306). Merkmalssatz-4 (FS4) testet den Inferenzwert von nur Umgebungsmerkmalen. Schließlich berücksichtigt Merkmalssatz-5 (FS5) nur Zonentemperatur und dient als ein Basislinienmerkmalssatz, für den nur ein Raumthermostat benötigt wird. Zusätzlich weisen manche Teilnehmer aufgrund fehlerhafter Verbindungen zwischen der tragbaren Vorrichtung und der Mobilanwendung fehlende Hauttemperaturmessungen auf. Um dies anzusprechen, wurden die fehlenden Messungen durch das Implementieren der heuristischen HautTemp = RaumTemp + k, wobei k aus einer Normalverteilung mit berechnetem Mittel und berechneter Standardabweichung gezogen wurde, unter Verwendung der Heuristik bei den Fällen erweitert, bei denen die Hauttemperatur erfolgreich aufgezeichnet wurde. Die vorherigen Tabellen berücksichtigen diesen neuen Wert bei ihren Berechnungen nicht.
  • 7 zeigt eine Visualisierung von Clustern in einem zweidimensionalen Raum mit t-verteilter stochastischer Nachbareinbettung (2D t-SNE). Es wird als eine Basis hypothetisiert, dass Teilnehmer mit ähnlichen physischen Charakteristiken ähnliche Komfortpräferenzen aufweisen werden; widerlegende Faktoren können z. B. durch Online-Adaptation oder Verstärkung des Modells im Laufe der Zeit erfüllt werden (Parisa Mansourifard, Farrokh Jazizadeh, Bhaskar Krishnamachari und Burcin Becerik-Gerber. 2013. „Online Learning for Personalized Room-Level Thermal Control: A Multi-Armed Bandit Framework“. In Proceedings of the 5th ACM Workshop on EmbeddedSystems For Energy-Efficient Buildings (BuildSys'13). ACM, New York, NY, USA, Artikel 20, 8 Seiten). K-Means (S. Lloyd. 1982. „Least squares quantization in PCM“. IEEE Transactions on Information Theory 28, 2 (März 1982), 129-137) kann verwendet werden, um Cluster im Datensatz zu ermitteln. Cluster können gemäß dem Satz von Modalitäten erzeugt werden, die als Körperforminformationen angesehen werden: Größe, Schulterumfang und Gewicht; diese Informationen können unter Verwendung des Tiefensensors leicht geschätzt oder regrediert werden. Die Anzahl von zu verwendenden Clustern zum Regulieren der Qualität der Cluster kann durch empirisches Minimieren der euklidischen Mean-Squared-Abstände zwischen Clustermittelpunkten und -mitgliedern definiert werden, was zu K = 10 führt. Kohäsion wird allgemein in der Verteilung von Teilnehmerkörperforminformationen beobachtet, was den Ansatz fördert.
  • Eine Wärmekomfortmodellierung kann unter Verwendung der gesammelten und kuratierten Daten durchgeführt werden. Die Wärmekomfortmodellierungsaufgabe kann als ein überwachtes Mehrklassen-Klassifikationsproblem gestellt werden, wobei das Modell die Likelihood schätzt, ein spezifisches Komfortlabel für einen Nutzer, C = y, konditioniert zu einem Kontext, genau vorhergesagt zu haben. Mit dem „vollen“ Datenmerkmalssatz FS1 (z. B. wie in Tabelle 3 gezeigt) beinhaltet der Kontext des Modells Band- (Ba), Körper- (Bo), Befragungs- (S), HVAC (H) und Wetter(W)-Daten, wie in Gleichung (1) gezeigt: P ( C t = y | B a , B o , S , H , W )
    Figure DE102020213128A1_0001
    wobei, y ∈ γ = { − 2, − 1,0,1,2 }
    Figure DE102020213128A1_0002
  • Somit besteht ein Trainingsziel darin, die aggregierte negative Log-Likelihood dieser Vorhersagen über einen beliebigen Zeithorizont bezüglich den entsprechenden Ground-Truth-Komfortlabeln zu minimieren (wie in Gleichung 2 gezeigt): min ∑ − l o g ( P ( C t = y | B a , B o , S , H , W ) )
    Figure DE102020213128A1_0003
  • In der Literatur über maschinelles Lernen wird diese Formulierung auch als Kreuzentropie bezeichnet.
  • Für die Modellarchitekturklasse kann ein Mehrschicht-Perzeptron (MLP) genutzt werden, da dieses verwendet werden kann, um diverse Multimodaleingabeverteilungen flexibel zu repräsentieren und abzubilden, wie in Literatur über Wärmekomfort besprochen (Diana Enescu. 2017. „A review of thermal comfort models and indicators for indoor environments“. Renewable and Sustainable Energy Reviews 79, Ergänzung C (2017), 1353 - 1379; Soteris A. Kalogirou. 2000. „Applications of artificial neural-networks for energy systems“. Applied Energy 67, 1 (2000), 17 - 35; Joyce Kim, Stefano Schiavon und Gail Brager. 2018. „Personal comfort models-A new paradigm in thermal comfort for occupant-centric environmental control“. Building and Environment 132 (2018), 114-124; und Joyce Kim, Yuxun Zhou, Stefano Schiavon, Paul Raftery und Gail Brager. 2018. „Personal comfort models: predicting individuals' thermal preference using occupant heating and cooling behavior and machine learning“. Building and Environment 129 (2018), 96-106). Zu jedem Zeitschritt nimmt das Modell eine Komfortvorhersage als eine Verteilung über alle Komfortklassenlabels vor (z. B. wie in Tabelle 1 b.3 gezeigt). (Vor allem eignen sich zeitrekurrente neuronale Codierungsstrukturen (z. B. LSTMs, GRUs) gut für diese sequenziellen Dateneingaben und können vor dem MLP-Klassifizierer platziert werden. Rekurrente Modelle weisen jedoch eine erheblich höhere Trainingskomplexität auf und können die besten Ergebnisse nach dem Verwenden verschiedener Datenerweiterungstechniken (z. B. schwach überwachte generative Modellierung) bereitstellen. Das Label mit der größten Wahrscheinlichkeitsmasse kann als das vorhergesagte Komfortlabel des Nutzers in Anbetracht des Eingabekontexts ausgewählt werden. Eine beispielhafte Modellkonfiguration beinhaltet 4 verborgene Schichten (Ein, 250, 100, 25, 5, Aus), tanh-Aktivierungen, eine adaptive Lernrate mit einer Initialisierung von 1e-3, Batch-Größe von 5, One-Hot-Label-Vektorrepräsentationen, adaptive Momentschätzung (Adam) als die Optimierungsfunktion (Diederik P Kingma und Jimmy Lei Ba. 2015. „Adam: A Method for Stochastic Optimization“. International Conference on Learning Representations (ICLR) 2015 (2015)) und eine Datensatzteilung von 80 % / 20 % mit 10-facher Kreuzvalidierung in der Trainings-Teilung.
  • Die Temperatursollwerterzeugung kann unter Verwendung des Systems durchgeführt werden. Das Wärmekomfortmodell nimmt als Eingabe Körperform- und Umgebungsinformationen und gibt Komfortklassenlabels im Satz -2, -2, 0, 1, 2 aus. Aus diesen Labels kann ein Zonentemperatursollwert inferiert werden, der die Anzahl von Teilnehmern in der Datensatz-Test-Teilung maximiert, die „0“ oder Komfortabel als ihre subjektive Antwort melden würden. Die nach Teilnehmer stratifizierte Test-Teilung beinhaltet die subjektiven Komfortantworten (und assoziierte Umgebungs- und Körperforminformationen) für die verschiedenen Teilnehmer. Für jeden Teilnehmer im Testsatz wird ein Vorwärtsdurchlauf durch das trainierte Komfortmodell durchgeführt, um Teilnehmerkomfortpräferenzen zu inferieren. Dies ergibt eine Verteilung über Zonentemperaturen, konditioniert auf Komfortlabel, aus der der Temperaturbereich extrahiert wird, der die Anzahl von „0“-Abstimmungen über den Testsatz maximierte. Diese resultierenden Temperatursollwerte können mit durch Basislinienkontrollstrategien erzeugten Sollwerten verglichen werden.
  • Ein gepaarter Datensatz von Komfortprofilen und physischen Charakteristiken kann von den Teilnehmern in einer kommerziellen Gebäudeumgebung erzeugt werden. Unter Verwendung dieser Daten kann eine Evaluierung üblicher Modellierungsstrategien (Diana Enescu. 2017. „A review of thermal comfort models and indicators for indoor environments‟. Renewable and Sustainable Energy Reviews 79, Ergänzung C (2017), 1353 - 1379; und Soteris A. Kalogirou. 2000. „Applications of artificial neural-networks for energy systems“. Applied Energy 67, 1 (2000), 17 - 35) zur empirischen Wärmekomfortvorhersage durchgeführt werden. Zusätzlich kann beobachtet werden, wie einflussreich physische Charakteristiken für das Schätzen der Wärmekomfortpräferenzen von Nutzern sind. Die Modelle können mit Basislinien und Ablationen verglichen werden.
  • Bezüglich der Körperforminferenzleistung kann die Leistung des Systems 100 hinsichtlich seiner Fähigkeit, menschliche Größe und menschlichen Schulterumfang zu schätzen, identifiziert werden. Diese Leistung kann Größenschätzungsleistung und Schulterumfangsschätzungsleistung beinhalten.
  • Bezüglich der Größenschätzungsleistung zeigt Tabelle 4 die Leistung des Systems zum Schätzen der menschlichen Größe: der Durchschnitts- und der Medianfehler beträgt 3,28 bzw. 3,0 cm, wenn jemand hereinkommt. Der durchschnittliche Fehler und der Medianfehler beträgt 2,99 bzw. 2,55 cm, wenn eine Person herausgeht. In Anbetracht dessen, dass die mittlere Größe und Mediangröße unserer Testpersonen 171,25 cm bzw. 171 cm beträgt, besitzt die wie gezeigte Größenschätzung eine Genauigkeit von 98 %. Tabelle 4 - Körperforminferenzleistung
    Richtung Durchschnittsfehler Medianfehler
    Größe Hereinkommen 3,28 cm 3,0 cm
    Herausgehen 2,99 cm 2,55 cm
    Schulterumfang Hereinkommen 9,96 cm 8,19 cm
    Herausgehen 10,03 cm 9,82 cm
  • Bezüglich der Schulterumfangsschätzungsleistung zeigt Tabelle 4 auch die Systemleistung zum Schätzen des menschlichen Schulterumfangs. 40 % der Daten können verwendet werden, um das lineare Regressionsmodell anzupassen, und die restlichen 60 % können als Testdaten verwendet werden. (Diese sind jedoch nur Beispiele und andere Datenteilungen können verwendet werden.) Der Durchschnitts- und Medianfehler für eine hereinkommende Person beträgt 9,96 cm und 8,19 cm; der Durchschnitts- und Medianfehler für eine heraustretende Person beträgt 10,03 cm und 9,82 cm. In Anbetracht dessen, dass der mittlere Schulterumfang und Medianschulterumfang der Teilnehmer 109,44 cm bzw. 107,15 cm beträgt, ist diese Schulterumfangsschätzung über 90 % genau.
  • Die Wärmekomfortmodellierungsleistung kann auch geschätzt werden. Das System kann hinsichtlich seiner Wärmekomfortinferenzfähigkeit evaluiert werden. Um bei der in Beziehung stehenden Literatur zu bleiben (Diana Enescu. 2017. „A review of thermal comfort models and indicators for indoor environments“. Renewable and Sustainable Energy Reviews 79, Ergänzung C (2017), 1353 - 1379; Ali Ghahramani, Chao Tang und Burcin Becerik-Gerber. 2015. „An online learning approach for quantifying personalized thermal comfort via adaptive stochastic modeling“. Building and Environment 92 (2015), 86-96; Joyce Kim, Stefano Schiavon und Gail Brager. 2018. „Personal comfort models-A new paradigm in thermal comfort for occupant-centric environmental control“. Building and Environment 132 (2018), 114-124; und Joyce Kim, Yuxun Zhou, Stefano Schiavon, Paul Raftery und Gail Brager. 2018. „Personal comfort models: predicting individuals' thermal preference using occupant heating and cooling behavior and machine learning“. Building and Environment 129 (2018), 96-106), kann das Modell über drei Dimensionen evaluiert werden: (i) holistische gegenüber personalisierten Komfortmodellen; (ii) Binär- gegenüber Mehrklassen-Klassifikation; und (iii) Modellablationen unter Verwendung unterschiedlicher Modalitätsteilsätze. Im Verlauf jedes dieser Experimente können die evaluativen Datensätze, die aus unserem Menschenkomfortexperiment erzeugt werden, berücksichtigt werden. Beispielsweise, mit Bezug auf Tabelle 3, können diese beinhalten: FS1 (alle Merkmale), FS2 (alle Merkmale minus Körperforminformationen), FS3 (Umgebungsmerkmale und Körperforminformationen), FS4 (nur Umgebungsfaktoren) und FS5 (nur Zonentemperatur). Der Effekt spezifischer Merkmalsgruppen, z. B. Körperforminformationen, zum Bereitstellen von Modellen mit verbesserter Inferenzfähigkeit kann auch berücksichtigt werden.
  • Bezüglich Basislinien können die Datensätze FS1-FS5 verwendet werden, um die Modellkonfiguration mit diskriminativen Klassifizierern zu vergleichen, wie etwa RDF (Random Decision Forest) und SVM (Support-Vektor-Maschinen). Andere Klassifizierer können eingeschlossen werden, wie etwa der nicht parametrische K-Nearest-Neighbors(k-NN)-Klassifizierer, der Naiv-Bayes(NB)-Klassifizierer, das durch (Peter Xiang Gao und S. Keshav. 2013. „SPOT: A Smart Personalized Office Thermal Control System“. In Proceedings of the Fourth International Conference on Future Energy Systems (e-Energy '13). ACM, New York, NY, USA, 237-246) vorgeschlagene PPV(Predicted Personal Vote)-Modell und das PMV(Predicted Mean Vote)-Modell (Poul O. Fanger. 1967. „Calculation of thermal comfort, Introduction of a basic comfort equation“. ASHRAE transactions 73, 2 (1967), III-4), das die Basislinie für die komfortbewusste kommerzielle Gebäudesteuerung verbleibt (American Society of Heating Refrigerating and Air-Conditioning Engineers. Standards Committee. 2013. „Thermal environmental conditions for human occupancy“. ASHRAE standard; 55-2013 2013, STANDARD 55 (2013), 1-44.). Für alle Klassifiziererbasislinien kann eine Hyperparametergittersuche bezüglich des Trainingssatzes durchgeführt werden, mit einer Wahl von Parametern für jede Basislinie wie die des Modells, das mit der höchsten durchschnittlichen 10-fachen Kreuzvalidierung-fl-Micro-Bewertung durchgeführt wird.
  • Modelle können holistische Modelle oder personalisierte Modelle sein. Modelle, die an den Wärmekomfortdaten der gesamten Population trainiert werden, können als holistische Komfortmodelle bezeichnet werden. Modelle, die nur an Wärmekomfortdaten einzelner Teilnehmer trainiert werden, können als personalisierte Modelle bezeichnet werden.
  • Unter Verwendung eines holistischen Modells werden die Komfortantworten eines Teilnehmers nicht von den Antworten eines anderen Teilnehmers unterschieden. Stattdessen können die Modelle über alle Teilnehmerdaten in der Trainings- und Validierungs-Teilung stratifiziert werden, sodass Proben von demselben Teilnehmer möglicherweise nicht über die Trainings- und Validierungs-Teilung vorhanden sind. Diese holistische Modellkonfiguration veranschaulicht eine Wärmekomfortvorhersagestrategie auf Menschenmengenebene, während individuelle Neigungen ignoriert werden und eine Optimierung stattdessen über die gesamte Population durchgeführt wird.
  • 8 zeigt f1-Micro-Ergebnisse des Ansatzes am Testsatz für eine Kombination unterschiedlicher Modelle mit Merkmalssätzen für sowohl Mehrklassen- (a) als auch Binär-Zielmerkmalssätzen (b). Wie gezeigt, repräsentiert der Wert in jeder Kachel die fl-Micro-Bewertung eines gegebenen Modells (X-Achse) unter Verwendung eines spezifischen Merkmalssatzes (Y-Achse). Beispielsweise im Fall eines Wärmekomforts als ein Mehrklassenproblem (a), eine 6%-ige Zunahme der Genauigkeit (fl-Micro-Bewertung) von der Verwendung von nur Umgebungsmerkmalen (FS3) und der von Umgebungsmerkmalen und physiologischen Merkmalen (FS1).
  • 9 zeigt f1-Micro-Ergebnisse des personalisierten Ansatzes an dem Testsatz von Random Forest für ein Mehrklassen-Zielmerkmal an den ersten drei FS. Die Modellparameter wurden für jede Testperson basierend auf Trainings-/Test-Teilung optimiert, was zu einer besseren Leistung für einen Teilsatz von Testpersonen führt. Dies wird in den verschiedenen Farben (Varianz in den Leistungsmetriken) über die X-Achse widergespiegelt.
  • Durch diese Evaluierung kann beobachtet werden, wie dasselbe Modell für jeden Teilnehmer unterschiedlich agiert. Insbesondere kann gesehen werden, dass die Kacheln ihre Farbe über die horizontale Achse vollständig ändern können. Selbst wenn die Anzahl von verwendeten Merkmalen (Y-Achse) erhöht wird, ist jedoch die Leistung für jeden Teilsatz allgemein konsistent. Dies impliziert, dass dieselbe personalisierte Modellkonfiguration in der Lage ist, den eindeutigen Satz von Präferenzen für jeden Teilnehmer zu erfassen. Darüber hinaus kann gesehen werden, dass die im holistischen Ansatz erreichte höchste Leistung von etwa 20 % der Teilnehmer übertroffen wird, die dasselbe Modell auf eine personalisierte Weise verwenden. Dies scheint mit den durch z. B. Barrios und Kleiminger erhaltenen Ergebnissen konsistent (L. Barrios und W. Kleiminger. 2017. „The Comfstat - automatically sensing thermal comfort for smart thermostats“. In 2017 IEEE International Conference on Pervasive Computing and Communications (PerCom). 257-266.), die in der Lage waren, eine ähnliche Leistung für ihre personalisierten Modelle an einer kleineren Kohorte zu erreichen.
  • Bezüglich Binär- gegenüber Mehrklassen-Klassifizierer kann, um Binärklassifizierer für einen Basislinienvergleich bereitzustellen, die Abbildung der Ziellabels erneut in jedem Merkmalssatz von der 5-Klassen-Kategorieverteilung auf eine binäre abgebildet werden, wobei das Label „0“ Komfortabel repräsentiert und irgendein Label in {-2,-1,1,1} „1“ oder Unkomfortabel repräsentiert.
  • 8(b) zeigt die Binärvorhersage-fl-Micro-Bewertungen für die verschiedenen Klassifizierer. Natürlich reduziert die Binärcharakterisierung die repräsentative Belastung an den Modellen, da sie nur lernen müssen, zwischen zwei effektiven Verteilungen zu unterscheiden. Solche grobkörnigen Vorhersagen sind jedoch möglicherweise nicht sofort zur Temperatursollwertinferenz, Online-Lernen (und Verstärkungslernen), komfortbewussten Steuerung oder für andere Downstream-Aufgaben geeignet.
  • 8(a) zeigt Modellergebnisse für die Mehrklassen-Klassifikation. Für das Mehrklassen-Klassifikationsproblem hatten RDF-Modelle für FS1: ausgeglichene Klassengewichte, Gini-Index-Kriterium, 2 Minimum-Proben-Teilung,100 Schätzer und Baumtiefe von 10: FS2: geändert auf 1000 Schätzer; FS3: geändert auf Entropie-Kriterium und 100 Schätzer; FS4: geändert auf ausgeglichene Subproben, 100 Schätzer; und FS5: geändert auf 1000 Schätzer, Gini-Kriterium und Tiefe von 12. k-NN-Modelle hatten für FS1: Brute-Force-Suche als Algorithmus, standardmäßigen euklidischen Abstand als Metrik und K = 14; für FS2: K geändert auf 5; für FS3: K geändert auf 13; für FS4: K geändert auf 4; und für FS5: K geändert auf 15. SVM-Modelle hatten für alle ersten vier FS: C = 1000, ausgeglichenes Klassengewicht, Gamma von 0,1, radiales Basisfunktionskernel und Eins-gegen-Alle-Entscheidungsfunktionsform, mit der Ausnahme, dass C = 1 und Gamma von 0,001 für FS5. Naiv-Bayes-Modelle wurden ohne Priorverteilungen mit einer Variationsglättung von 10e-9 initialisiert. Die MLP-Architektur wurde oben besprochen. Es kann gesehen werden, dass SVMs und NB die höchsten Genauigkeiten aufweisen, dicht gefolgt von k-NN.
  • Bezüglich Ablationen kann ein Modelablationsexperiment durchgeführt werden, indem zuerst mehrere Instanzen des Komfortmodells erzeugt werden und dann in jede Instanz ein eindeutiger Merkmalssatz (Tabelle 3) während des Trainings und der Evaluierung eingespeist wird. Aus den 8 und 9 kann der Effekt der Ablationsexperimente beobachtet werden, bei denen überwachte Klassifikationsmodelle Verbesserungen zeigen, wenn Merkmale bezüglich Körperforminformationen hinzugefügt werden, d. h. der Kachelwert erhöht sich über die Y-Achse. FS1 (alle Merkmale) wird um 8 % gegenüber FS2 (alle Merkmale minus Körperforminformationen) verbessert, was die Wichtigkeit des Konditionierens von Wärmekomfortvorhersagen des Modells an Körperforminformationen veranschaulicht. Es kann auch beobachtet werden, dass RDF erheblich mit F5 abfällt. Diese Leistungsschwäche könnte dem Überlappen der Zonentemperatur, dem einzigen Merkmal in F5, für alle Komfortlabels zugeschrieben werden. Diese niedrigdimensionale Eingabe mit erheblichen zeitlichen Interdependenzen ist der Rest der Modelle flexibel genug, zu erfassen, im Gegensatz zu RDF.
  • Optimale Temperatursollwerte können unter Verwendung der vorgenannten Vorhersagefähigkeiten gefunden werden. Um die Systemgenauigkeit bei der Temperatursollwertvorhersage zu validieren, kann die Komfortvorhersagefähigkeit des Systems mit anderen üblichen Festtemperatursteuerstrategien verglichen werden, die in der Praxis und in der bestehenden Literatur verwendet werden. Diese Strategien beinhalten einen festen Temperatursollwertbereich, der die aktuelle Steuerstrategie der kommerziellen Gebäudeverwendung nachahmt, eine feste Temperatursollwertbasislinie, die in (Alimohammad Rabbani und S. Keshav. 2016. „The SPOT* Personal Thermal Comfort System“. In Proceedings of the 3rdACMInternational Conference on Systems for Energy-Efficient Built Environments (BuildSys '16). ACM, New York, NY, USA, 75-84) und (Peter Xiang Gao und S. Keshav. 2013. „Optimal Personal Comfort Management Using SPOT+“. In Proceedings of the 5th ACM Workshop on Embedded Systems For Energy-Efficient Buildings (BuildSys'13). ACM, New York, NY, USA, Artikel 22, 8 Seiten) verwendet wird, ein reaktives Sollwertmodell PPV von (Peter Xiang Gao und S. Keshav. 2013. „SPOT: A Smart Personalized Office Thermal Control System“. In Proceedings of the Fourth International Conference on Future Energy Systems (e-Energy ‚13). ACM, New York, NY, USA, 237-246) und zwei Festtemperaturmodelle basierend auf der mittleren Temperatur und Mediantemperatur der Validierungs-Teilung. Für diese Basislinien können Modelle wie etwa OccuTherm und PPV, die eine Parameterabstimmung basierend auf bestehenden Daten erfordern, an einer 40/60-Trainings-Validierungs-Teilung basierend auf der Anzahl von Teilnehmern für sowohl FS1 als auch FS3 trainiert werden. Um einen Temperaturbereich zu erzeugen, den jedes Modell als einen Bereich wahrnimmt, in dem Komfortabel-Labels immer erzeugt werden, wurden die Festsollwertmodelle als ihr Sollwert ± 2°F behandelt, wohingegen in den anderen Modellen dieser Bereich aus der Trainings-Teilung erhalten wurde. Das PPV verwendete die Minimal- und Maximaltemperatur, bei der die Trainingsproben [-0,5, 0,5] vorhersagten. Andererseits wurde der komfortable Temperaturbereich des Systems aus den Temperaturen berechnet, bei denen das ,Komfortabel‘-Label 0 war. Für jedes Modell wurde der RMSE über die Antworten der Teilnehmer in der Validierungs-Teilung berechnet. Nur Antworten, bei denen die Innentemperatur innerhalb des Komfortabel'-Temperaturbereichs des Modells lag, wurden verwendet, wie in Gleichung (3) gezeigt: R M S E = 1 n ∑ t = 1 n ( 0 − y ) 2
    Figure DE102020213128A1_0004
  • Die obige Gleichung zeigt die jeweilige Berechnung, bei der das vorhergesagte' Label als 0 für alle Modelle behandelt wird, da sie nur Fälle in ihrem jeweiligen „Komfortabel‟-Temperaturbereich in Betracht zieht. y ist das Ground-Truth-Label vom Teilnehmer. Diese Ergebnisse, hinsichtlich RMSE, sind in Tabelle 5 zusammengefasst: Tabelle 5 - Basislinienvergleich
    Modelle RMSE FS1 RMSE FS3
    OccuThermMLP 0,56 0,73
    OccuThermRDF 0,65 0,65
    SPOT/SPOT+ 0,66 0,66
    OccuThermSVM 0,68 0,68
    OccuThermNB 0,68 0,68
    PPV [-0.5 1 0.5] 0,73 0,73
    Mediansollwert 0,79 0,79
    OccuThermKNN 0,80 0,64
    Mean Set Point 0,81 0,81
    Gemessener Gebäudesollwert 0,82 0,82
  • Hier kann gesehen werden, dass, wenn ein Merkmalssatz verwendet wird, der Körperforminformationen beinhaltet, wie etwa FS1 und FS3, MLP, RDF und KNN in der Lage sind, bestehende Steuerstrategien um 0,26 und 0,18 in FS1 bzw. FS3 zu übertreffen.
  • Obwohl die Probengröße einer bei der Modellierung verwendeten Studie mit menschlichen Testpersonen (77 Teilnehmer) erheblich größer ist als viele andere Wärmekomfortstudien in der Literatur, ist sie nichtsdestotrotz klein, um Behauptungen über die Population (z. B. Nutzer kommerzieller Gebäude in den USA) zu machen. Ungeachtet dessen geben diese Ergebnisse an, dass das System Körperforminformationen mit hoher Genauigkeit schätzen kann und insbesondere diese Informationen wirksam einsetzen kann, um Wärmekomfortpräferenzvorhersagen im Vergleich zu Basislinien und Merkmalsablationen erheblich zu verbessern. Obwohl diese Verbesserung bescheiden erscheinen kann, ist es wert, anzumerken, dass das System ohne die Notwendigkeit für häufige Nutzerkomfortfeedbackberichte arbeitet und dass es Daten von Tiefenbildgebungssensoren wirksam einsetzt, die rapide in Innenumgebungen gängig werden. Ferner ist dies die erste Demonstration der Vorhersageleistung von Körperforminformationen zum Inferieren des Wärmekomforts.
  • Das System verwendet eine 5-Punkte-Komfortskala, anstatt die 3-Punkte-Komfort- und die 7-Punkte-Gefühlsskala, die durch Fanger (American Society of Heating Refrigerating and Air-Conditioning Engineers. Standards Committee. 2013. „Thermal environmental conditions for human occupancy“. ASHRAE standard; 55-2013 2013, STANDARD 55 (2013), 1-44; und Poul O. Fanger. 1967. „Calculation of thermal comfort, Introduction of a basic comfort equation“. ASHRAE transactions 73, 2 (1967), III-4) vorgeschlagen werden. Obwohl eine systematische Analyse dieser Entscheidung außerhalb des Schutzumfangs dieser Offenbarung liegt, sollte angemerkt werden, dass es eine robuste Literatur, die mehrere Jahrzehnte zurückreicht, bezüglich der vorgenommenen Kompromisse bei der Verwendung irgendeiner speziellen Skala aufgrund zahlreicher Probleme einschließlich Effekten an dem Verhalten und den Antworten des Teilnehmers, der Fähigkeit, Ergebnisse zu differenzieren, usw. gibt. Letztendlich sollte die Anzahl von Wahlmöglichkeiten, die Studienteilnehmern präsentiert werden (was Probleme in Experimenten mit diskreter Wahl ähnelt), sinnvoll gewählt werden und könnte sorgfältiger in zukünftiger Arbeit untersucht werden. Schließlich hatte die teilnehmerweise Trainings-Validierungs-Teilung einen Einfluss auf die Leistung des Modells. Wenn eine vollständige Stratifizierung des Datensatzes zuerst durchgeführt wurde und dann in Training und Validierung geteilt wurde, war das System-k-NN in der Lage, eine 79%-ige und 72%- ige Genauigkeit in dem Binär- und Mehrklassenansatz zu erreichen. Dieser Ansatz ermöglicht jedoch die Koexistenz von Proben von demselben Teilnehmer in beiden Teilungen, was das Modell zu einem Teil der Verteilung der Antworten des Teilnehmers aussetzt; eine solche Einstellung könnte für Teilnehmer bevorzugt sein. Somit wurde die Teilung basierend auf Teilnehmern gewählt.
  • In dieser Offenbarung wurde eine Skala verwendet, um das Gewicht der Testpersonen zu messen, was als ein Merkmal verwendet wurde, um den Wärmekomfort zu inferieren; in der Zukunft kann ein Modell unter Verwendung der Körperform erstellt werden, um Gewichte von Individuen zu regredieren. Die Bekleidungsisolierung wurde auch in dem Datensatz angemerkt: in der Zukunft können Tiefenframes verwendet werden, um das Bekleidungsisolierungsniveau zu inferieren. Es ist anzumerken, dass Ungenauigkeiten bei der Schätzung des Schulterumfangs die Leistung der Wärmekomfortinferenz beeinträchtigen könnte. Leute können Objekte tragen, z. B. Rucksäcke, Laptops, Helme, die an der Schulter hängen, die die Schätzung des Schulterumfangs beeinträchtigen können. Sie kann die Detektion solcher Objekte wie in (Niluthpol Chowdhury Mithun, Sirajum Munir, Karen Guo und Charles Shelton. 2018. „ODDS: real-time object detection using depth sensors on embedded GPUs“. In Proceedings of the 17th ACM/IEEE International Conference on Information Processing in Sensor Networks. IEEE Press, 230-241) erfordern und die Schulterschätzung verfeinern.
  • Die Größe der Teilnehmergruppe ist möglicherweise nicht groß genug, um alle möglichen (z. B. soziale, umgebungsbedingte) Faktoren zu erfassen, die die Wärmekomfortpräferenz von Individuen und die resultierenden kommerziellen Gebäudesteuerstrategien beeinflussen können (J. Francis, A. Oltramari, S. Munir, C. Shelton und A. Rowe. 2017. „Poster Abstract: Context Intelligence in Pervasive Environments“. In 2017 IEEE/ACM Second International Conference on Internet-of-Things Design and Implementation (IoTDI). 315-316; und Z. Jiang, J. Francis, A. K. Sahu, S. Munir, C. Shelton, A. Rowe und M. Berges. 2018. „Data-driven Thermal Model Inference with ARMAX, in Smart Environments, based on Normalized Mutual Information“. In 2018 Annual American Control Conference (ACC). 4634-4639. https://doi.org/10.23919/ACC.2018.8431085). Es wurde jedoch gezeigt, dass eine Wärmeabfuhrrate von Individuen von der Fläche der Körperoberfläche abhängt. Infolgedessen kann eine große und schlanke Person eine höhere Raumtemperatur tolerieren als eine Person mit einer gerundeten Körperform, da die größere Person ein größeres Oberfläche-zu-Volumen-Verhältnis aufweist (S.V. Szokolay. 2008. „Introduction to Architectural Science“. Taylor & Francis). Somit ist es intuitiv, anzunehmen, dass die Körperform nützlich sein kann, um die Wärmekomfortpräferenz von Individuen zu einem gewissen Ausmaß zu inferieren.
  • Als Schlussfolgerung wird ein neuartiges Wärmekomfortvorhersagesystem präsentiert, das auf Nutzerkörperforminformationen basiert. Eine Studie über den menschlichen Wärmekomfort kann in einer vollständig kontrollierten und vollständig wahrgenommenen Smart-Umgebung durchgeführt werden, in der Biometriken, physische Messungen (Größe, Schulterumfang) und subjektive Komfortantworten aufgezeichnet und integriert wurden. Mit diesem Datensatz können holistische Komfortmodelle mit personalisierten Komfortmodellen verglichen werden, um die Bedeutung physischer Charakteristiken über eine Probenpopulation zur Wärmekomfortmodellierung zu zeigen. Während holistische Ansätze fl-Micro-Bewertungen so hoch wie 0,8 erreichen können, können personalisierte Modelle diesen Wert übertreffen. Nichtsdestotrotz, wie in 9 gezeigt, selbst wenn die Modelle für einen speziellen Nutzer trainiert sind, wird sie möglicherweise für andere nicht so gut durchgeführt. Schließlich gibt es, obwohl das System hierin als ein Inferenzsystem beschrieben ist, erhebliches Potenzial dafür, es in ein Steuerszenario mit geschlossener Schleife einzuschließen, bei dem Online-Lernen durchgeführt werden kann, um Wärmekomfortantworten opportunistisch hervorzurufen, damit die Modelle verbessert werden.
  • 10 veranschaulicht ein beispielhaftes System 1000 für die Verwendung von Körperforminformationen alleine oder in Kombination mit anderen Informationen, um den Wärmekomfort eines Nutzers zu inferieren oder zu verbessern. Wie hierin ausführlich besprochen, können beschriebene Ansätze verwendet werden, um den Wärmekomfort eines Nutzers eines kommerziellen Gebäudes basierend auf Körperforminformationen und relevanten Umgebungsfaktoren vorherzusagen. Das System kann Körperforminferenz, Wärmekomfortmodellierung und Temperatursollwerterzeugung durchführen. Wie hierin besprochen, sind die berücksichtigten Nutzerkörperforminformationen Informationen, die leicht aus Tiefenkamerasensordaten geschätzt oder regrediert werden können. In vielen Beispielen beinhalten diese Daten Größe und/oder Gewicht und/oder Schulterumfang.
  • Die Algorithmen und/oder Methodologien einer oder mehrerer Ausführungsformen werden unter Verwendung einer Rechenplattform implementiert, wie in 10 gezeigt. Das System 1000 kann einen Speicher 1002, einen Prozessor 1004 und eine nichtflüchtige Speicherung 1006 beinhalten. Der Prozessor 1004 kann eine oder mehrere Vorrichtungen beinhalten, die aus Hochleistungsrechen(HPC)-Systemen einschließlich Hochleistungskernen, Mikroprozessoren, Mikrocontrollern, Digitalsignalprozessoren, Mikrocomputern, Zentralverarbeitungseinheiten, feldprogrammierbaren Gate-Arrays, programmierbaren Logikvorrichtungen, Zustandsmaschinen, Logikschaltungen, analogen Schaltungen, digitalen Schaltungen oder beliebigen anderen Vorrichtungen ausgewählt sind, die (analoge oder digitale) Signale basierend auf computerausführbaren Anweisungen manipulieren, die sich in dem Speicher 1002 befinden. Der Speicher 1002 kann eine einzige Speichervorrichtung oder eine Zahl von Speichervorrichtungen beinhalten, die unter anderem Direktzugriffsspeicher (RAM), flüchtigen Speicher, nichtflüchtigen Speicher, statischen Direktzugriffsspeicher (SRAM), dynamischen Direktzugriffsspeicher (DRAM), Flash-Speicher, Cache-Speicher oder eine beliebige andere Vorrichtung, die zum Speichern von Informationen in der Lage ist, beinhalten. Die nichtflüchtige Speicherung 1006 kann eine oder mehrere beständige Datenspeicherungsvorrichtungen beinhalten, wie etwa ein Festplattenlaufwerk, ein optisches Laufwerk, ein Bandlaufwerk, eine nichtflüchtige Solid-State-Vorrichtung, eine Cloud-Speicherung oder eine beliebige andere Vorrichtung, die zum beständigen Speichern von Informationen in der Lage ist.
  • Der Prozessor 1004 kann dazu ausgebildet sein, in den Speicher 1002 zu lesen und computerausführbare Anweisungen, die sich in einem Softwaremodul 1008 der nichtflüchtigen Speicherung 1006 befinden und Algorithmen und/oder Methodologien einer oder mehrerer Ausführungsformen umsetzen, auszuführen. Das Softwaremodul 1008 kann Betriebssysteme und Anwendungen beinhalten. Das Softwaremodul 1008 kann von Computerprogrammen kompiliert oder interpretiert werden, die unter Verwendung einer Vielzahl von Programmiersprachen und/oder -technologien erschaffen wurden, einschließlich unter anderem, und entweder allein oder in Kombination, Java, C, C++, C#, Objective-C, Fortran, Pascal, Java Script, Python, Perl und PL/SQL. In einer Ausführungsform kann PyTorch, das ein Paket für die Python-Programmiersprache ist, verwendet werden, um Code für das maschinelle Lernmodell einer oder mehrerer Ausführungsformen zu implementieren.
  • Beim Ausführen durch den Prozessor 1004 können die computerausführbaren Anweisungen des Softwaremoduls 1008 bewirken, dass das System 1000 einen oder mehrere hierin offenbarte Algorithmen und/oder Methodologien implementiert. Die nichtflüchtige Speicherung 1006 kann auch Daten 1010 beinhalten, die Funktionen, Merkmale und Prozesse der einen oder der mehreren hierin beschriebenen Ausführungsformen unterstützen.
  • 11 veranschaulicht einen beispielhaften Prozess 1100 für die Verwendung von Körperforminformationen alleine oder in Kombination mit anderen Informationen, um den Wärmekomfort eines Nutzers zu inferieren oder zu verbessern. In einem Beispiel kann der Prozess 1100 unter Verwendung des Systems 1000 durchgeführt werden, wie oben ausführlich beschrieben.
  • Bei Operation 1102 erhält das System 1100 Informationen bezüglich eines Nutzers eines Raums. Beispielsweise erhält das System 1100 als Reaktion auf das Detektieren, dass der Nutzer den Raum betrat, die Größe, das Gewicht und den Schulterumfang des Nutzers unter Verwendung eines an einer Decke des Raums montierten Tiefensensors.
  • Bei Operation 1104 modelliert das System 1100 eine Komfortklasse für den Nutzer. Beispielsweise nutzt das System 100 ein Modell, das an einem Datensatz einschließlich Informationen, die den Nutzerkomfort im Raum gegenüber der Temperatur widerspiegeln, trainiert ist, wobei das Modell als Eingaben die Größe, das Gewicht und den Schulterumfang des Nutzers und Umgebungsinformationen empfängt und die Komfortklasse ausgibt.
  • Bei Operation 1106 identifiziert das System 1100 einen Temperatursollwert. Beispielsweise identifiziert das System 1100 den Temperatursollwert, für den der Raumnutzer durch das Modell als eine einen Benutzerkomfort angebende Komfortklasse aufweisend identifiziert wird.
  • Bei Operation 1108 stellt das System 1100 die Raum-HVAC-Einstellungen ein. Beispielsweise stellt das System 1100 die HVAC-Steuerungen für den Raum auf den identifizierten Temperatursollwert ein. Nach Operation 1108 endet der Prozess 1100.
  • Der Programmcode, der die Algorithmen und/oder Methodologien, die hier beschrieben sind, umsetzt, ist dazu in der Lage, einzeln oder kollektiv in einer Vielzahl von unterschiedlichen Formen als ein Programmprodukt verteilt zu werden. Der Programmcode kann unter Verwendung eines computerlesbaren Speicherungsmediums mit computerlesbaren Programmanweisungen darauf zum Veranlassen, dass ein Prozessor Aspekte einer oder mehrerer Ausführungsformen ausführt, verteilt werden. Computerlesbare Speicherungsmedien, die inhärent beständig sind, können flüchtige und nichtflüchtige und entfernbare und nichtentfernbare greifbare Medien beinhalten, die mit einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen, wie etwa computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen oder anderen Daten, implementiert werden. Computerlesbare Speicherungsmedien können ferner RAM, ROM, löschbaren programmierbaren Nurlesespeicher (EPROM), elektrisch löschbaren programmierbaren Nurlesespeicher (EEPROM), Flash-Speicher oder eine andere Solid-State-Speichertechnologie, tragbaren Compact-Disc-Read-Only-Speicher (CD-ROM) oder eine andere optische Speicherung, Magnetkassetten, Magnetband, Magnetplattenspeicherung oder andere Magnetspeicherungsvorrichtungen oder ein beliebiges anderes Medium beinhalten, das verwendet werden kann, um die gewünschten Informationen zu speichern, und das von einem Computer gelesen werden kann. Computerlesbare Programmanweisungen können von einem computerlesbaren Speicherungsmedium auf einen Computer, einen anderen Typ einer programmierbaren Datenverarbeitungseinrichtung oder eine andere Vorrichtung oder über ein Netzwerk auf einen externen Computer oder eine externe Speicherungsvorrichtung heruntergeladen werden.
  • Computerlesbare Programmanweisungen, die auf einem computerlesbaren Medium gespeichert sind, können verwendet werden, um einen Computer, andere Typen einer programmierbaren Datenverarbeitungseinrichtung oder andere Vorrichtungen dazu anzuweisen, auf eine spezielle Weise zu arbeiten, sodass die in dem computerlesbaren Medium gespeicherten Anweisungen einen Herstellungsgegenstand einschließlich Anweisungen produzieren, die die Funktionen, Handlungen und/oder Operationen implementieren, die in den Flussdiagrammen oder Diagrammen spezifiziert sind. Bei gewissen alternativen Ausführungsformen können die Funktionen, Handlungen und/oder Operationen, die in den Flussdiagrammen und Diagrammen spezifiziert sind, in Übereinstimmung mit einer oder mehreren Ausführungsformen umgeordnet, seriell verarbeitet und/oder gleichzeitig verarbeitet werden. Zudem können beliebige der Flussdiagramme und/oder Diagramme mehr oder weniger Knoten oder Blöcke als jene beinhalten, die in Übereinstimmung mit einer oder mehreren Ausführungsformen veranschaulicht sind.
  • Die hier offenbarten Prozesse, Verfahren oder Algorithmen können lieferbar sein an/implementiert werden durch eine Verarbeitungsvorrichtung, eine Steuerung oder einen Computer, welche bzw. welcher eine beliebige existierende programmierbare elektronische Steuereinheit oder dedizierte elektronische Steuereinheit beinhalten kann. Gleichermaßen können die Prozesse, Verfahren oder Algorithmen als Daten und durch eine Steuerung oder einen Computer ausführbare Anweisungen in vielen Formen gespeichert werden, unter anderem einschließlich Informationen, die auf nichtbeschreibbaren Speichermedien, wie etwa ROM-Vorrichtungen, permanent gespeichert sind, und Informationen, die auf beschreibbaren Speichermedien, wie etwa Disketten, Magnetbändern, CDs, RAM-Vorrichtungen und anderen magnetischen und optischen Medien, änderbar gespeichert sind. Die Prozesse, Verfahren oder Algorithmen können auch in einem ausführbaren Software-Objekt implementiert sein. Alternativ können die Prozesse, Verfahren oder Algorithmen in Gänze oder teilweise unter Verwendung geeigneter Hardwarekomponenten umgesetzt werden, wie etwa anwendungsspezifischer integrierter Schaltungen (ASICs), feldprogrammierbarer Gate-Arrays (FPGAs), Zustandsmaschinen, Steuerungen oder anderer Hardwarekomponenten oder -vorrichtungen oder einer Kombination von Hardware-, Software- und Firmwarekomponenten.
  • Obgleich oben beispielhafte Ausführungsformen beschrieben sind, ist es nicht beabsichtigt, dass diese Ausführungsformen alle möglichen durch die Ansprüche eingeschlossenen Formen beschreiben. Die in der Beschreibung verwendeten Ausdrücke sind eher Ausdrücke der Beschreibung statt der Beschränkung und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne von dem Gedanken und dem Schutzumfang der Offenbarung abzuweichen. Wie zuvor beschrieben wurde, können die Merkmale verschiedener Ausführungsformen kombiniert werden, um weitere Ausführungsformen der Erfindung auszubilden, die möglicherweise nicht explizit beschrieben oder veranschaulicht wurden. Obgleich verschiedene Ausführungsformen als Vorteile ergebend oder gegenüber anderen Ausführungsformen oder Implementierungen im Stand der Technik bezüglich einer oder mehrerer erwünschter Charakteristiken bevorzugt beschrieben worden sein können, erkennen Durchschnittsfachleute auf dem Gebiet, dass ein oder mehrere Merkmale oder Charakteristiken beeinträchtigt werden können, um erwünschte Gesamtsystemattribute zu erzielen, die von der speziellen Anwendung und Implementierung abhängen. Diese Attribute können unter anderem Kosten, Stärke, Haltbarkeit, Lebenszykluskosten, Vermarktungsfähigkeit, Erscheinungsbild, Aufmachung, Größe, Wartbarkeit, Gewicht, Herstellbarkeit, Montagefreundlichkeit usw. beinhalten. Von daher liegen jegliche in dem Maße als weniger wünschenswert als andere Ausführungsformen oder Implementierungen im Stand der Technik bezüglich einer oder mehrerer Charakteristiken beschriebene Ausführungsformen nicht außerhalb des Schutzumfangs der Offenbarung und können für gewisse Anwendungen wünschenswert sein.

Claims (20)

  1. Verfahren zum Inferieren und Verbessern eines Wärmekomforts eines Nutzers unter Berücksichtigung von Körperforminformationen, umfassend: Erhalten der Größe, des Gewichts und des Schulterumfangs eines Nutzers eines Raums unter Verwendung eines Tiefensensors; Nutzen eines Modells, das an einem Datensatz einschließlich Informationen, die den Nutzerkomfort im Raum gegenüber der Temperatur widerspiegeln, trainiert ist, wobei das Modell als Eingaben die Größe, das Gewicht und den Schulterumfang des Nutzers und Umgebungsinformationen empfängt und eine Komfortklasse ausgibt; Identifizieren eines Temperatursollwerts, für den der Raumnutzer durch das Modell als die einen Benutzerkomfort angebende Komfortklasse aufweisend identifiziert wird; und Einstellen von HVAC(Heizung, Lüftung und Klimaanlage)-Steuerungen für den Raum auf den identifizierten Temperatursollwert.
  2. Verfahren nach Anspruch 1, ferner umfassend Bestimmen der Größe durch: Verwerfen aller Tiefenpixel unter einer Schwelle, um einen Kopf des Nutzers zu lokalisieren; Anpassen eines umschließenden Kreises um den Kopf; und Schätzen der Größe des Nutzers gemäß einer Differenz zwischen einem Abstand vom Tiefensensor eines Bins mit einer höchsten Anzahl von Pixel, die den Fußbodenabstand angeben, und eines Pixels in dem umschließenden Kreis am nächstliegenden zu dem Tiefensensor.
  3. Verfahren nach Anspruch 1, ferner umfassend Bestimmen des Schulterumfangs durch: Verwenden eines Gebiets von Interesse, das einen Kopf des Nutzers und ein Schultergebiet des Nutzers mit dreimal dem Durchmesser des Kopfes beinhaltet, um eine Schulter des Nutzers zu lokalisieren; und Anpassen einer Ellipsenkontur um das Gebiet, um den Umfang der Schulter zu bestimmen.
  4. Verfahren nach Anspruch 1, wobei die Gewichtsinformationen unter Verwendung einer Skala bestimmt werden.
  5. Verfahren nach Anspruch 1, wobei der Tiefensensor an einer Decke des Raums montiert ist, und ferner umfassend Erhalten der Größe und des Schulterumfangs des Nutzers als Reaktion darauf, dass der Nutzer den Raum betritt.
  6. Verfahren nach Anspruch 1, wobei die Informationen, die den Komfort des Nutzers widerspiegeln, biometrische Daten beinhalten, die von tragbaren Vorrichtungen verfolgt werden, wobei die Biometriken eine Hauttemperatur und/oder eine Herzrate und/oder eine galvanische Hautreaktion beinhalten.
  7. Verfahren nach Anspruch 1, wobei die Informationen, die den Komfort des Nutzers widerspiegeln, Daten beinhalten, die von Teilnehmern im Raum in eine Benutzeroberfläche eingegeben werden, wobei die Daten Informationen beinhalten, die ein Komfortniveau des Teilnehmers indiziert auf die Temperatur des Raums angeben.
  8. Verfahren nach Anspruch 1, ferner umfassend Trainieren des Modells unter Verwendung von Daten, die Umgebungssensorinformationen, physische Charakteristiken des Nutzers, Nutzerbiometriken und Mobilanwendung-Befragungsinformationen beinhalten.
  9. System zum Inferieren und Verbessern eines Wärmekomforts eines Nutzers unter Berücksichtigung von Körperforminformationen, umfassend: einen Speicher, der Anweisungen speichert; und einen Prozessor, der zum Ausführen der Anweisungen programmiert ist, um Operationen durchzuführen, einschließlich zum: als Reaktion auf das Detektieren, dass ein Nutzer einen Raum betritt, Erhalten der Größe, des Gewichts und des Schulterumfangs des Nutzers des Raums unter Verwendung eines an einer Decke des Raums montierten Tiefensensors; Nutzen eines Modells, das an einem Datensatz einschließlich Informationen, die den Nutzerkomfort im Raum gegenüber der Temperatur widerspiegeln, trainiert ist, wobei das Modell als Eingaben die Größe, das Gewicht und den Schulterumfang des Nutzers und Umgebungsinformationen empfängt und eine Komfortklasse ausgibt; Identifizieren eines Temperatursollwerts, für den der Raumnutzer durch das Modell als die einen Benutzerkomfort angebende Komfortklasse aufweisend identifiziert wird; und Einstellen von HVAC-Steuerungen für den Raum auf den identifizierten Temperatursollwert.
  10. System nach Anspruch 9, wobei der Prozessor ferner zum Ausführen der Anweisungen programmiert ist, um die Größe zu bestimmen, einschließlich zum: Verwerfen aller Tiefenpixel unter einer Schwelle, um einen Kopf des Nutzers zu lokalisieren; Anpassen eines umschließenden Kreises um den Kopf; und Schätzen der Größe des Nutzers gemäß einer Differenz zwischen einem Abstand vom Tiefensensor eines Bins mit einer höchsten Anzahl von Pixel, die den Fußbodenabstand angeben, und eines Pixels in dem umschließenden Kreis am nächstliegenden zu dem Tiefensensor.
  11. System nach Anspruch 9, wobei der Prozessor ferner zum Ausführen der Anweisungen programmiert ist, um den Schulterumfang zu bestimmen, einschließlich zum: Verwenden eines Gebiets von Interesse, das einen Kopf des Nutzers und ein Schultergebiet des Nutzers mit dreimal dem Durchmesser des Kopfes beinhaltet, um eine Schulter des Nutzers zu lokalisieren; und Anpassen einer Ellipsenkontur um das Gebiet, um den Umfang der Schulter zu bestimmen.
  12. System nach Anspruch 9, wobei die Informationen, die den Komfort des Nutzers widerspiegeln, biometrische Daten beinhalten, die von tragbaren Vorrichtungen verfolgt werden, wobei die Biometriken eine Hauttemperatur und/oder eine Herzrate und/oder eine galvanische Hautreaktion beinhalten.
  13. System nach Anspruch 9, wobei die Informationen, die den Komfort des Nutzers widerspiegeln, Daten beinhalten, die von Teilnehmern im Raum in eine Benutzeroberfläche eingegeben werden, wobei die Daten Informationen beinhalten, die ein Komfortniveau des Teilnehmers indiziert auf die Temperatur des Raums angeben.
  14. System nach Anspruch 9, wobei der Prozessor ferner zum Ausführen der Anweisungen programmiert ist, um das Modell unter Verwendung von Daten zu trainieren, die Umgebungssensorinformationen, physische Charakteristiken des Nutzers, Nutzerbiometriken und Mobilanwendung-Befragungsinformationen beinhalten.
  15. Nichtflüchtiges computerlesbares Medium, das Anweisungen zum Inferieren und Verbessern des Wärmekomforts eines Nutzers unter Berücksichtigung von Körperforminformationen umfassen, die bei Ausführung durch einen Prozessor den Prozessor zu Folgendem veranlassen: als Reaktion auf das Detektieren, dass ein Nutzer einen Raum betritt, Erhalten der Größe, des Gewichts und des Schulterumfangs des Nutzers des Raums unter Verwendung eines an einer Decke des Raums montierten Tiefensensors; Nutzen eines Modells, das an einem Datensatz einschließlich Informationen, die den Nutzerkomfort im Raum gegenüber der Temperatur widerspiegeln, trainiert ist, wobei das Modell als Eingaben die Größe, das Gewicht und den Schulterumfang des Nutzers und Umgebungsinformationen empfängt und eine Komfortklasse ausgibt; Identifizieren eines Temperatursollwerts, für den der Raumnutzer durch das Modell als die einen Benutzerkomfort angebende Komfortklasse aufweisend identifiziert wird; und Einstellen von HVAC-Steuerungen für den Raum auf den identifizierten Temperatursollwert.
  16. Medium nach Anspruch 15, das ferner Anweisungen umfasst, die bei Ausführung durch den Prozessor bewirken, dass der Prozessor die Größe bestimmt, einschließlich zum: Verwerfen aller Tiefenpixel unter einer Schwelle, um einen Kopf des Nutzers zu lokalisieren; Anpassen eines umschließenden Kreises um den Kopf; und Schätzen der Größe des Nutzers gemäß einer Differenz zwischen einem Abstand vom Tiefensensor eines Bins mit einer höchsten Anzahl von Pixel, die den Fußbodenabstand angeben, und eines Pixels in dem umschließenden Kreis am nächstliegenden zu dem Tiefensensor.
  17. Medium nach Anspruch 15, das ferner Anweisungen umfasst, die bei Ausführung durch den Prozessor bewirken, dass der Prozessor den Schulterumfang bestimmt, einschließlich zum: Verwenden eines Gebiets von Interesse, das einen Kopf des Nutzers und ein Schultergebiet des Nutzers mit dreimal dem Durchmesser des Kopfes beinhaltet, um eine Schulter des Nutzers zu lokalisieren; und Anpassen einer Ellipsenkontur um das Gebiet, um den Umfang der Schulter zu bestimmen.
  18. Medium nach Anspruch 15, wobei die Informationen, die den Komfort des Nutzers widerspiegeln, biometrische Daten beinhalten, die von tragbaren Vorrichtungen verfolgt werden, wobei die Biometriken eine Hauttemperatur und/oder eine Herzrate und/oder eine galvanische Hautreaktion beinhalten.
  19. Medium nach Anspruch 15, wobei die Informationen, die den Komfort des Nutzers widerspiegeln, Daten beinhalten, die von Teilnehmern im Raum in eine Benutzeroberfläche eingegeben werden, wobei die Daten Informationen beinhalten, die ein Komfortniveau des Teilnehmers indiziert auf die Temperatur des Raums angeben.
  20. Medium nach Anspruch 15, das ferner Anweisungen umfasst, die bei Ausführung durch den Prozessor bewirken, dass der Prozessor das Modell unter Verwendung von Daten trainiert, die Umgebungssensorinformationen, physische Charakteristiken des Nutzers, Nutzerbiometriken und Mobilanwendung-Befragungsinformationen beinhalten.
DE102020213128.7A 2019-11-12 2020-10-19 Inferenz des wärmekomforts eines nutzers unter verwendung von körperforminformationen Pending DE102020213128A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/681,131 US11566809B2 (en) 2019-11-12 2019-11-12 Occupant thermal comfort inference using body shape information
US16/681,131 2019-11-12

Publications (1)

Publication Number Publication Date
DE102020213128A1 true DE102020213128A1 (de) 2021-05-12

Family

ID=75584187

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020213128.7A Pending DE102020213128A1 (de) 2019-11-12 2020-10-19 Inferenz des wärmekomforts eines nutzers unter verwendung von körperforminformationen

Country Status (3)

Country Link
US (1) US11566809B2 (de)
CN (1) CN112862145A (de)
DE (1) DE102020213128A1 (de)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11859856B1 (en) 2019-01-04 2024-01-02 Renu, Inc. HVAC system with single piece body
US11892185B1 (en) * 2019-01-04 2024-02-06 Renu, Inc. HVAC system having learning and prediction modeling
US11953220B2 (en) * 2020-03-18 2024-04-09 Mitsubishi Electric Corporation Comfort-analyzing device, environment-control command device, and comfort-analyzing method
US11692750B1 (en) 2020-09-15 2023-07-04 Renu, Inc. Electronic expansion valve and superheat control in an HVAC system
CN113531804B (zh) * 2021-06-24 2023-01-13 青岛海尔空调器有限总公司 空调器的自动控制方法、装置、电子设备以及存储介质
CN114484732B (zh) * 2022-01-14 2023-06-02 南京信息工程大学 一种基于投票网络的空调机组传感器故障诊断方法
CN115031363B (zh) * 2022-05-27 2023-11-28 约克广州空调冷冻设备有限公司 预测空调性能的方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9020647B2 (en) * 2009-03-27 2015-04-28 Siemens Industry, Inc. System and method for climate control set-point optimization based on individual comfort
TWI512247B (zh) * 2012-12-20 2015-12-11 Ind Tech Res Inst 舒適度調控系統、其使用者端設備及其系統端設備
US9791872B2 (en) 2013-03-14 2017-10-17 Pelco, Inc. Method and apparatus for an energy saving heating, ventilation, and air conditioning (HVAC) control system
US20160242680A1 (en) * 2015-02-20 2016-08-25 Umm Al-Qura University Intelligent comfort level monitoring system
US10372990B2 (en) 2016-03-18 2019-08-06 International Business Machines Corporation System and method for identification of personal thermal comfort
EP3502934A1 (de) * 2017-12-21 2019-06-26 Quicket GmbH Verfahren und systeme zum erzeugen einer darstellung einer sitzenden person unter verwendung von gesichtsmessungen
US11472291B2 (en) * 2019-04-25 2022-10-18 Motional Ad Llc Graphical user interface for display of autonomous vehicle behaviors

Also Published As

Publication number Publication date
US20210140671A1 (en) 2021-05-13
US11566809B2 (en) 2023-01-31
CN112862145A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
DE102020213128A1 (de) Inferenz des wärmekomforts eines nutzers unter verwendung von körperforminformationen
Aryal et al. A comparative study of predicting individual thermal sensation and satisfaction using wrist-worn temperature sensor, thermal camera and ambient temperature sensor
Chen et al. A novel human activity recognition scheme for smart health using multilayer extreme learning machine
Shan et al. Supervised machine learning of thermal comfort under different indoor temperatures using EEG measurements
Yang et al. Real-time and contactless measurements of thermal discomfort based on human poses for energy efficient control of buildings
Agrawal et al. Pixels to voxels: modeling visual representation in the human brain
EP3367883B1 (de) Überwachung von aktivitäten des täglichen lebens einer person
Cheng et al. NIDL: A pilot study of contactless measurement of skin temperature for intelligent building
Liu et al. Reinforcement online learning for emotion prediction by using physiological signals
US20200037732A1 (en) Beauty counseling information providing device and beauty counseling information providing method
Francis et al. Occutherm: Occupant thermal comfort inference using body shape information
Megri et al. Prediction of the thermal comfort indices using improved support vector machine classifiers and nonlinear kernel functions
Li et al. A novel method for the evaluation of fashion product design based on data mining
DE112019000315T5 (de) Temperatursteuerung einer umgebung, um einen insassenkomfort auf der grundlage von parametern der herzfrequenzvariabilität zu erreichen
Burzo et al. Using infrared thermography and biosensors to detect thermal discomfort in a building’s inhabitants
CN106510736B (zh) 基于多维心理状态指标的心理状态判定方法与系统
Tekler et al. A hybrid active learning framework for personal thermal comfort models
CN117270611A (zh) 智慧运动场馆的环境智能控制系统及方法
Zhang et al. Analysis of outlier detection rules based on the ASHRAE global thermal comfort database
Fan et al. Real-time machine learning-based recognition of human thermal comfort-related activities using inertial measurement unit data
Jozwik et al. Deep convolutional neural networks, features, and categories perform similarly at explaining primate high-level visual representations
CN111723869A (zh) 一种面向特殊人员的行为风险智能预警方法及系统
Liu et al. Vision-based individual factors acquisition for thermal comfort assessment in a built environment
Xu et al. Action-based personalized dynamic thermal demand prediction with video cameras
Yang et al. Macro pose based non-invasive thermal comfort perception for energy efficiency

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R082 Change of representative

Representative=s name: ISARPATENT - PATENT- UND RECHTSANWAELTE BARTH , DE

R016 Response to examination communication