یادگیری گذشته به عنوان پیشگویی کننده رفتار باز کردن پنجره در ساختمان های تجاری
ترجمه نشده

یادگیری گذشته به عنوان پیشگویی کننده رفتار باز کردن پنجره در ساختمان های تجاری

عنوان فارسی مقاله: یادگیری کوتاه مدت گذشته به عنوان پیشگویی کننده رفتار انسان مربوط به باز کردن پنجره در ساختمان های تجاری
عنوان انگلیسی مقاله: Learning short-term past as predictor of window opening-related human behavior in commercial buildings
مجله/کنفرانس: انرژی و ساختمان ها - Energy and Buildings
رشته های تحصیلی مرتبط: مهندسی معماری، مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، برنامه نویسی کامپیوتر، مدیریت پروژه و ساخت
کلمات کلیدی فارسی: شبکه های عصبی، بردارهای ورودی توده ای، توالی مدل سازی، سیستم های اتوماسیون ساختمان، رفتار مصرف انرژی ساکنین، باز کردن پنجره
کلمات کلیدی انگلیسی: Neural networks، Stacked input vectors، Sequence modelling، Building automation systems، Occupant behavior، Window opening
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.enbuild.2018.12.012
دانشگاه: E3D – Institute of Energy Efficiency and Sustainable Building, RWTH Aachen University, Mathieustr. 30, Aachen, 52074, Germany
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5/031 در سال 2018
شاخص H_index: 147 در سال 2019
شاخص SJR: 1/934 در سال 2018
شناسه ISSN: 0378-7788
شاخص Quartile (چارک): Q1 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 16
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
کد محصول: E11487
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Method


3- Results


4- Discussion


5- Limitations


6- Conclusion


References

نمونه متن انگلیسی مقاله

Abstract


This paper addresses the question of identifying the time-window in short-term past from which the information regarding the future occupant’s window opening actions and resulting window states in buildings can be predicted. The addressed sequence duration was in the range between 30 and 240 time-steps of indoor climate data, where the applied temporal discretization was one minute. For that purpose, a deep neural network is trained to predict the window states, where the input sequence duration is handled as an additional hyperparameter. Eventually, the relationship between the prediction accuracy and the time lag of the predicted window state in future is analyzed. The results pointed out, that the optimal predictive performance was achieved for the case where 60 time-steps of the indoor climate data were used as input. Additionally, the results showed that very long sequences (120–240 time-steps) could be addressed efficiently, given the right hyperprameters. Hence, the use of the memory over previous hours of high resolution indoor climate data did not improve the predictive performance, when compared to the case where 30/60 min indoor sequences were used. The analysis of the prediction accuracy in the form of F1 score for the different time lag of future window states dropped from 0.51 to 0.27, when shifting the prediction target from 10 to 60 min in future.


Introduction


Occupant behavior (OB) has been identified to be one of the principal factors influencing the energy consumption in commercial buildings [1], [2], [3], [4]. Due to that, developing an accurate model that predicts human actions would be beneficial for achieving higher indoor comfort or optimization of energy consumption. Additionally, there have been a number of studies that addressed modeling the OB for its inclusion in building automation systems (BAS) [5], [6], [7], [8], [9], [10], [11]. According to the current research, OB in buildings is often defined as a discrete sequence in the temporal domain [5], [12], [13], [14], [15], [16], [17], [18]. As such, not only is it necessary to identify which variables lead to occupants’ actions, but also in which temporal rangedo the changes of variables in question occur, which motivated a number of studies on time-series modeling of OB. Liao et al. [14] presented a probabilistic graphical model for depicting the time-series of occupancy data. Fritsch et al. [12] presented the model that generates time series of window opening angles with the same statistics as the measured openings for the heating period. Dong and Andrews [5] proposed occupancy pattern recognition using semi-Markov models. Youngbloot and Cook [13] introduced a hierarchical model for controlling the smart environment based on occupants’ activities and concluded that learning algorithms built on Markov models experience performance issues when scaled to large problems.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

یادگیری گذشته به عنوان پیشگویی کننده رفتار باز کردن پنجره در ساختمان های تجاری
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها