Predicción del comportamiento de ocupantes de edificios de oficina en base a variables de confort térmico mediante machine learning

Author:

Arias Aravena Gastón,Troncoso Espinosa Fredy,Soto Muñoz Jaime,Trebilcock Kelly Maureen

Abstract

Els treballadors d'oficines es troben la major part del temps a l'interior d'un edifici, i amb això, les variables fisicoambientals comencen a presentar una importància en la productivitat i l'acompliment. Aquest estudi relaciona els models de machine learning amb el comportament dels ocupants i la productivitat autoavaluada que presenten, mitjançant l’ús de diferents models. Aquests models es van implementar per reconèixer i comparar quins permeten estimar de millor manera aquest comportament, en particular, la productivitat autoavaluada que les persones senten al seu espai de treball. Per això, es van recollir les variables fisicoambientals i la percepció dels ocupants de diversos edificis d'oficina a la ciutat de Concepción. Aquest estudi aconsegueix comparar l'exercici de quatre models de machine learning (arbre de decisions, K-Nearest Neighbor, model de bais i xarxa neuronal), l'exercici d'aquests es va mesurar mitjançant els indicadors anomenats Accuracy, Precision i Recall. Aquests models es van implementar tant per a una base de dades original com en una base de dades balancejada, per després comparar els resultats obtinguts. Es pot establir que hi ha una relació entre les variables fisicoambientals i la productivitat autoavaluada dels treballadors. Així mateix, es pot esmentar que la xarxa neuronal és el model que millor descriu aquesta relació i, per tant, el que aconsegueix millor. Aquest estudi permet un apropament a comprendre el comportament dels ocupants des d'una perspectiva del machine learning. Office workers spend most of their time inside a building, and as a result, physical-environmental variables begin to play a crucial role in their productivity and performance. This study establishes a connection between machine learning models and the behavior of occupants and the self-assessed productivity they exhibit, through the use of various models. These models were implemented to identify and compare which of them better estimate this behavior, particularly the self-assessed productivity that individuals experience in their workplace. To accomplish this, physical-environmental variables, and the perceptions of occupants from various office buildings in the city of Concepción were collected. This study successfully compares the performance of four machine learning models (decision tree, K-Nearest Neighbor, Bayesian model, and neural network). Their performance was measured using indicators known as Accuracy, Precision, and Recall. These models were applied to both an original database and a balanced database, followed by a comparison of the results obtained. It can be established that there is a relationship between physical-environmental variables and the self-assessed productivity of workers. Furthermore, it can be mentioned that the neural network is the model that best describes this relationship and, therefore, achieves the highest performance. This study provides an approach to understanding occupant behavior from a machine learning perspective Los trabajadores de oficinas se encuentran la mayor parte del tiempo al interior de un edificio, y con ello, las variables físico-ambientales comienzan a presentar una importancia en la productividad y desempeño de ellos. Este estudio relaciona los modelos de machine learning con el comportamiento de los ocupantes y la productividad autoevaluada que presentan, mediante el uso de diferentes modelos. Estos modelos se implementaron para reconocer y comparar cuáles de ellos permiten estimar de mejor forma este comportamiento, en particular, la productividad autoevaluada que las personas sienten en su espacio de trabajo. Para ello, se recogieron las variables físico-ambientales y la percepción de los ocupantes de diversos edificios de oficina en la ciudad de Concepción.  Este estudio logra comparar el desempeño de cuatro modelos de machine learning (árbol de decisiones, K-Nearest Neighbor, modelo de bayes y red neuronal), el desempeño de estos se midió mediante los indicadores denominados Accuracy, Precision y Recall.  Estos modelos se implementaron tanto para una base de datos original como en una base de datos balanceada, para luego comparar los resultados obtenidos. Se puede establecer que existe una relación entre las variables físico-ambientales y la productividad autoevaluada de los trabajadores. Así mismo, se puede mencionar que la red neuronal es el modelo que mejor describe esta relación y, por ende, el que mejor desempeño logra. Este estudio permite un acercamiento a comprender el comportamiento de los ocupantes desde una perspectiva del machine learning.

Publisher

Universitat Politècnica de Catalunya

Subject

Urban Studies,Architecture,Geography, Planning and Development

Cited by 1 articles. 订阅此论文施引文献 订阅此论文施引文献,注册后可以免费订阅5篇论文的施引文献,订阅后可以查看论文全部施引文献

同舟云学术

1.学者识别学者识别

2.学术分析学术分析

3.人才评估人才评估

"同舟云学术"是以全球学者为主线,采集、加工和组织学术论文而形成的新型学术文献查询和分析系统,可以对全球学者进行文献检索和人才价值评估。用户可以通过关注某些学科领域的顶尖人物而持续追踪该领域的学科进展和研究前沿。经过近期的数据扩容,当前同舟云学术共收录了国内外主流学术期刊6万余种,收集的期刊论文及会议论文总量共计约1.5亿篇,并以每天添加12000余篇中外论文的速度递增。我们也可以为用户提供个性化、定制化的学者数据。欢迎来电咨询!咨询电话:010-8811{复制后删除}0370

www.globalauthorid.com

TOP

Copyright © 2019-2024 北京同舟云网络信息技术有限公司
京公网安备11010802033243号  京ICP备18003416号-3