Wi-Fi based occupancy clustering and motif identification: a case study
Notice bibliographique
Résumé
The energy use of many buildings is significantly influenced by the presence and number of occupants. The prevalence of personal mobile devices has highlighted Wi-Fi data as a strong indicator of occupancy levels, with a strong correlation between the number of occupants and the number of Wi-Fienabled devices in a building. With accurate occupancy-count estimations, occupancy-based controls for building HVAC systems have the potential to realize energy savings. However, reactive controls based on instantaneous occupancy-count estimates are not sufficient for optimal operation. Instead, characterizing occupancy patterns can allow building operators to make proactive and informed decisions about equipment schedules, which has the potential to reduce energy use. This paper presents a Wi-Fi based approach for occupancy pattern detection, using an academic office building as a case study. Occupancy in many buildings - including the case study building - is not entirely stochastic; a visual inspection of Wi-Fi time series data will reveal repetitious patterns throughout the year, such as several distinct weekday and weekend profiles, called motifs. Seven months of continuous Wi-Fi time series data is processed through an occupancy-count estimation function to develop predicted occupancy profiles for each day. These occupancy profiles are clustered using several different approaches, including hierarchical agglomerative clustering with different dissimilarity metrics and k-means clustering. The results and performance indices for different clustering techniques are discussed. Based on this analysis, typical cluster profiles are extracted. Each typical profile is quantized using alphabetic characters and a character is assigned to each day. These characters are combined into corresponding words for each week. Frequently repeated weekly words are identified, and rule extraction is performed using a classification tree to develop a day-ahead occupancy forecast. The results show that this methodology can be used on Wi-Fi data to generate insights into occupancy patterns in the case study building. The forecastingframework can also be used to accurately forecast occupancy over the 24-hour prediction horizon. Future work will implement a control scheme based on the results from this study in a real-world air handling unit to quantify energy savings.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».