Human-building interaction through the lens of causality: A data-driven probabilistic causal learning approach
Notice bibliographique
Résumé
• This paper presents a data-driven probabilistic causal learning approach. • The approach enables the discovery of potential causal relationships from observed data. • A case study was conducted to demonstrate the potential of the proposed approach. • Causal occupant behavior models showed improved robustness compared to non-causal models. Understanding how people interact with buildings, i.e., human-building interaction, through the lens of causality is crucial for developing effective building solutions. Causal understanding enables accurate identification of where and how to intervene to improve building performance and occupant satisfaction, as well as estimation of the expected benefits. Despite its importance, causal reasoning to understand human-building interaction in the real world remains challenging due to (i) the difficulty in conducting large-scale controlled experiments and (ii) spurious correlations in observational data. In recent decades, data-driven causal reasoning methods have emerged, enabling further investigation of human-building interaction using observational data. However, existing methods are often inapplicable, as collecting quantitatively and qualitatively sufficient occupant data is difficult in real buildings. To address this, this paper presents a novel data-driven probabilistic causal learning approach involving two steps: (i) probabilistic causal discovery to infer potential causal structures and (ii) causal model training to develop causal models. A case study was conducted using the ecobee Donate Your Data dataset to demonstrate the potential of the proposed approach. We inferred potential causal factors of occupant setpoint adjustment behavior. Subsequently, we developed causal models and compared them with association-based models. Both models showed comparable predictive distributions where the test dataset distribution was similar to that of the training dataset. However, under data shift, the causal models showed better robustness. This suggests that the proposed approach has the potential to enable the development of causal models that may better explain underlying causal relationships and more reliable and robust occupant-centric solutions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».