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

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.