Exploring occupant detection model generalizability for residential buildings using supervised learning with IEQ sensors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study explores two modeling approaches for occupancy detection at room level for residential buildings in Denmark. The aim is to assess the performance and generalizability of occupant detection models using XGBoost method trained on a rich dataset comprising indoor environmental quality (IEQ) variables and occupancy ground truth. A global approach and a room-specific approach are considered. After a thorough feature selection and importance analysis process, the occupancy detection models (ODMs) are trained and tested in a nested cross-validation schema. The time of the day, indoor CO2 concentration, and feature transforms related to short-term IEQ dynamics were found to be the most important features of the ODMs. Both the global and room-specific models show good occupancy prediction performance, especially for bedrooms. When tested for generalizability with an unseen dataset from a different residential building, the ODMs maintain very good performance for the bedroom but not for the office room. This discrepancy could be explained by significant differences in occupancy and ventilation patterns, and large air infiltration from adjacent rooms. Although currently limited in terms of generalizability, XGBoost-based ODMs using IEQ data have the potential to provide robust and scalable occupancy detection for occupant-centric control and occupant-aware building performance assessments. The IEQ dataset with occupancy ground truth collected for this study is made available in open access.
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.
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 | 0,001 | 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 découle