[论文解读] CD-HOC: Indoor Human Occupancy Counting using Carbon Dioxide Sensor Data

Irvan B. Arief-Ang, Flora D. Salim+1 more|arXiv (Cornell University)|Jun 16, 2017

Human Mobility and Location-Based Analysis参考文献 24被引用 14

一句话总结

CD-HOC 提出了一种新颖的方法，利用二氧化碳（CO₂）传感器数据进行室内人员数量估算。该方法通过季节-趋势分解（Loess 和移动平均）对 CO₂ 成分进行建模，对每个成分应用回归模型，并采用零模式校正以提升准确性。与支持向量回归基线相比，该方法在小型房间（准确率达 94.68%）中将估算准确率提高了 4.33%，在电影院剧场中提高了 8.46%。

ABSTRACT

Human occupancy information is crucial for any modern Building Management System (BMS). Implementing pervasive sensing and leveraging Carbon Dioxide data from BMS sensor, we present Carbon Dioxide - Human Occupancy Counter (CD-HOC), a novel way to estimate the number of people within a closed space from a single carbon dioxide sensor. CD-HOC de-noises and pre-processes the carbon dioxide data. We utilise both seasonal-trend decomposition based on Loess and seasonal-trend decomposition with moving average to factorise carbon dioxide data. For each trend, seasonal and irregular component, we model different regression algorithms to predict each respective human occupancy component value. We propose a zero pattern adjustment model to increase the accuracy and finally, we use additive decomposition to reconstruct the prediction value. We run our model in two different locations that have different contexts. The first location is an academic staff room and the second is a cinema theatre. Our results show an average of 4.33% increment in accuracy for the small room with 94.68% indoor human occupancy counting and 8.46% increase for the cinema theatre in comparison to the accuracy of the baseline method, support vector regression.

研究动机与目标

• 开发一种低成本、可扩展的方法，利用建筑管理系统（BMS）中现有的 CO₂ 传感器实现室内人员数量估算。
• 解决在不依赖摄像头或 RFID 的情况下，对封闭室内环境中人员数量进行精确估算的挑战。
• 通过引入时间分解和零人员状态模式的自适应调整，改进支持向量回归等基线方法。
• 在具有不同人员动态的多样化室内环境中验证该方法，例如员工办公室和电影院剧场。

提出的方法

• 该方法采用基于 Loess 的季节-趋势分解（STL）和移动平均法，将 CO₂ 时间序列分解为趋势、季节性和不规则成分。
• 分别使用回归算法独立建模每个分解后的成分（趋势、季节性、不规则性），以预测其对人员数量的贡献。
• 引入一种零模式校正模型，以纠正低人员或无人员状态下的低估问题，提升模型鲁棒性。
• 通过加法分解重建最终的人员数量预测结果，将各预测成分组合为统一的估算值。
• 该模型基于从两个不同室内环境实际采集的 CO₂ 传感器数据进行训练与评估：一个小型学术员工办公室和一个电影院剧场。

实验结果

研究问题

• RQ1 仅依靠 CO₂ 传感器数据是否能有效实现高精度的室内人员数量估算？
• RQ2 季节性和趋势分解技术在 CO₂ 基人员估算建模中如何提升性能？
• RQ3 零模式校正模型在低人员状态场景下对预测准确率的提升程度如何？
• RQ4 在多样化室内环境中，该方法与支持向量回归等基线回归模型相比表现如何？

主要发现

• CD-HOC 模型在小型学术员工办公室中实现了 94.68% 的人员数量估算准确率，相比支持向量回归基线提高了 4.33%。
• 在电影院剧场环境中，该模型相比基线模型准确率提升了 8.46%，表明其在高波动性人员动态环境中的优异表现。
• 采用基于 Loess 的 STL 和移动平均分解方法，有效分离了 CO₂ 信号的各成分，提升了模型的可解释性与性能。
• 零模式校正模型显著减少了低人员或无人员状态下的低估误差，为整体准确率提升作出了重要贡献。