Estimating Occupancy Using Interactive Learning With a Sensor Environment: Real-Time Experiments
Notice bibliographique
Résumé
Interactive learning plays a key role in extending the occupant behavior implementation toward smart buildings. Efficient feedbacks can be obtained from the end user by involving occupants and increasing their awareness about energy systems. Working in highly energy-efficient buildings can be a great opportunity, but users need to feel empowered. This means making them aware of the building features and allowing them to manage some of the appliances. In this way, disorientation or annoyance is avoided, and people feel more in control. This paper proposes a solution to interact with occupants to estimate the number of occupants. A novel way of supervised learning is analyzed to estimate the occupancy in a room where actual occupancy is interactively requested to occupants when it is the most relevant to limit the number of interactions. Occupancy estimation algorithm relies on machine learning; it uses information gathered from occupants with the measurements collected from common sensors, for instance, motion detection, power consumption, and CO2 concentration. Two different classifiers are investigated for occupancy estimation with interactions: a decision tree C4.5 and a parameterized rule-based classifier. In this paper, the question of when interacting with occupants is investigated. This approach avoids the usage of a camera to determine the actual occupancy. A complete real-time interaction environment has been developed and is used to estimate the occupancy in an office case study. The graphical user interface has been designed to carry out a real-time experiment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».