Occupant counting model development for urban building energy modeling using commercial off-the-shelf Wi-Fi sensing technology
Notice bibliographique
Résumé
Urban Building Energy Models (UBEMs) are vital for estimating building energy use and related greenhouse gas emissions. However, their reliability needs boosting by using more real-world data, especially regarding occupancy behavior. Presently, UBEMs often use standard occupancy patterns, which may not reflect the real building use, especially for commercial and institutional buildings. Wi-Fi sensing is a reliable approach that can improve UBEMs due to its wide availability and cost-effectiveness. In this study, we leverage detailed signal data derived from Wi-Fi sensing technology to create a realistic, scalable and cost-effective occupancy model. A framework has been developed to derive the number of people in a building, which will influence energy usage patterns and enhance UBEMs. The developed model employs various machine learning techniques and achieves a test accuracy of 77%. Limited availability and diversity of the initial dataset necessitated the use of data augmentation techniques, enabling the model to learn varied representations and thus achieve better test performance of 91% post-augmentation. To evaluate the effectiveness of the developed model, it has been applied to two institutional buildings of a specific inner-city district in Montreal, Canada, to compute their heating and cooling demands. The outcomes are then compared with those obtained using standard schedules, revealing a considerable discrepancy in annual peak and total annual cooling demand of about %5 and 20% respectively.
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 | 0,000 |
| 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 ».