Large Language Model and Synthetic Dataset Based Occupant Clothing Insulation Recognition
Notice bibliographique
Résumé
With individuals spending over 85% of their time indoors, maintaining Thermal Comfort (TC) is vital for well-being and productivity.The Predicted Mean Vote (PMV), a key metric for assessing thermal sensation, integrates four environmental parameters and two personal factors: Clothing Insulation (CI) and Metabolic Rate (MR).While environmental factors are measurable through sensors or simulations, personal factors are often oversimplified, reducing the accuracy of TC assessments.Recent advancements in Machine Learning (ML) and sensor technologies offer innovative methods for estimating these personal factors.However, current approaches rely on datasets collected labor-intensively and privacy-invasively, limiting their scalability and quality.Moreover, despite recent impressive achievements across many domains of Large Language Models (LLMs), the potential of zero-shot LLMs for personal factor recognition remains unexplored.To address these limitations, this study introduces a high-quality synthetic dataset developed using Unreal Engine (UE).The dataset includes 2,250 monocular RGB videos paired with expert-extracted keyframe images, featuring single occupant engaged in diverse activities.Each videoimage pair is meticulously annotated with clothing types and corresponding overall CI values, adhering to ASHRAE standards.Leveraging this dataset, a state-of-the-art (SOTA) LLM is employed for zero-shot CI recognition, achieving an overall success rate of 75.6% in clothing recognition and a Mean Absolute Error (MAE) of 0.03 in CI predictions.These results validate the dataset's quality and demonstrate the potential of LLMs in capturing occupant-specific personal factors.This research highlights a pathway for more precise and scalable TC evaluations, paving the way for smarter and more occupant-centric indoor environments.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».