[论文解读] Comfort-as-a-Service: Designing a User-Oriented Thermal Comfort Artifact for Office Buildings

Svenja Laing, Niklas Kühl|arXiv (Cornell University)|Mar 27, 2020

Building Energy and Comfort Optimization被引用 6

一句话总结

本文提出了一种以用户为中心的「舒适即服务」系统，利用物联网数据和实时用户反馈，个性化办公环境中的热舒适度。采用设计科学方法并结合机器学习模型（平均R²为41.5%），该系统使员工能够在不干扰现有建筑系统的情况下，优化座位选择与着装，从而提升舒适度与工作效率。

ABSTRACT

Most people spend up to 90 % of their time indoors. However, literature in the field of facility management and related disciplines mostly focus on energy and cost saving aspects of buildings. Especially in the area of commercial buildings, only few articles take a user-centric perspective and none of them considers the subjectivity of thermal comfort. This work addresses this research gap and aims to optimize individual environmental comfort in open office environments, taking advantage of changes in modern office infrastructure and considering actual user feedback without interfering with existing systems. Based on a Design Science Research approach, we first perform a user experience testing in an exemplary corporate office building. Furthermore, we build a mechanism to gather user feedback on environmental comfort. Based on this, we build a machine learning model including different IoT data sources (e.g. building data and weather data) with an average coefficient of determination of 41.5%. Using these insights, we are able to suggest current individual comfort zones within the building and help employees to make better informed decisions on where to sit or what to wear, to feel comfortable and work productively. Therefore, we contribute to the body of knowledge by proposing a user-centric design within a cross-disciplinary context on the basis of analytical processes.

研究动机与目标

• 解决设施管理中缺乏以用户为中心的方法，特别是在商业建筑中个体热舒适度方面的问题。
• 通过关注主观热舒适度而非仅成本与节能，弥合能效与居住者福祉之间的差距。
• 开发一种非侵入性、以用户为导向的工具，整合实时反馈与环境数据，以支持个人舒适度决策。
• 提出一个跨学科的设计框架，融合人机交互、机器学习与建筑系统，以改善工作场所体验。

提出的方法

• 在真实的公司办公环境中开展用户体验测试，以获取关于热舒适度偏好的基线洞察。
• 开发一种反馈机制，以在不干扰现有建筑系统的情况下，实时收集用户对环境舒适度的反馈。
• 整合多种物联网数据源，包括建筑自动化数据和室外气象数据，以丰富舒适度建模过程。
• 利用这些数据流构建机器学习模型，以预测个体舒适区域，平均决定系数（R²）达到41.5%。
• 设计一种决策支持系统，根据预测的舒适度水平推荐最优座位位置或着装选择。
• 采用设计科学的研究方法，在真实办公环境中迭代开发并验证该工具。

实验结果

研究问题

• RQ1 如何在不干扰现有建筑管理系统的情况下，实现开放式办公环境中热舒适的个性化？
• RQ2 实时用户反馈在提升个体热舒适度预测模型准确性方面发挥什么作用？
• RQ3 来自建筑与气象数据源的物联网数据在多大程度上可增强对居住者舒适度的预测能力？
• RQ4 如何设计一种以用户为导向的工具，以非侵入性、可扩展的方式支持个人舒适度决策？
• RQ5 机器学习模型在利用混合数据源识别办公环境中个体舒适区域方面具有多大潜力？

主要发现

• 当使用物联网与用户反馈数据组合预测个体热舒适度时，机器学习模型的平均决定系数（R²）达到41.5%。
• 用户反馈显著提升了模型捕捉热舒适度主观性的能力，而传统以节能为导向的模型往往忽略这一点。
• 该系统成功识别出办公环境中的个体舒适区域，从而实现对座位与着装的个性化推荐。
• 该工具设计为非侵入性，可与现有建筑系统协同运行，无需基础设施变更。
• 实时用户输入与环境数据的整合，实现了动态、情境感知的舒适度推荐，有助于提升工作效率。
• 本研究证明了在商业建筑中采用以用户为中心、数据驱动的热舒适度方法的可行性，并提出了一种新颖的跨学科框架。