[论文解读] Indoor occupancy estimation from carbon dioxide concentration

Chaoyang Jiang, Mustafa K. Masood+2 more|arXiv (Cornell University)|Jul 20, 2016

Machine Learning and ELM参考文献 41被引用 5

一句话总结

本文提出了一种基于实时二氧化碳浓度的非侵入式室内人数估算方法，利用特征缩放极限学习机（FS-ELM）对人数动态进行建模。对二氧化碳数据进行预平滑，并在实时应用中使用局部平滑数据，显著提升了准确性，在24个工位的办公环境中，四人情况下的容差准确率最高达到94%。

ABSTRACT

This paper presents an indoor occupancy estimator with which we can estimate the number of real-time indoor occupants based on the carbon dioxide (CO2) measurement. The estimator is actually a dynamic model of the occupancy level. To identify the dynamic model, we propose the Feature Scaled Extreme Learning Machine (FS-ELM) algorithm, which is a variation of the standard Extreme Learning Machine (ELM) but is shown to perform better for the occupancy estimation problem. The measured CO2 concentration suffers from serious spikes. We find that pre-smoothing the CO2 data can greatly improve the estimation accuracy. In real applications, however, we cannot obtain the real-time globally smoothed CO2 data. We provide a way to use the locally smoothed CO2 data instead, which is real-time available. We introduce a new criterion, i.e. $x$-tolerance accuracy, to assess the occupancy estimator. The proposed occupancy estimator was tested in an office room with 24 cubicles and 11 open seats. The accuracy is up to 94 percent with a tolerance of four occupants.

研究动机与目标

• 开发一种基于二氧化碳浓度的非侵入式、非终端依赖的室内人数估算方法，以降低建筑能耗。
• 克服现有方法依赖摄像头、RFID或终端设备所带来的隐私和成本问题。
• 通过将人数建模为基于二氧化碳浓度、通风状态及时间窗口内历史人数水平的动态函数，提升估算准确性。
• 解决噪声二氧化碳数据脉冲对实时应用性能的负面影响。
• 实现实时人数估算，利用局部平滑的二氧化碳数据，避免实际中全局平滑数据不可用的问题。

提出的方法

• 将人数估算器建模为离散时间动态系统，当前人数取决于二氧化碳浓度、通风水平以及移动时间窗口内的历史人数水平。
• 提出一种新型特征缩放极限学习机（FS-ELM），通过增加特征层并基于输入数据缩放隐层权重，提升模型泛化能力与鲁棒性。
• FS-ELM通过更好地处理混合输入特征并降低高幅值二氧化碳数据对模型输出的影响，优于标准ELM。
• 对二氧化碳数据进行全局预平滑，以提升训练与测试性能，并开发了一种方法，利用本地可得数据近似实现全局平滑。
• 引入一种新的评估标准——x-容差准确率，用于评估性能，允许存在小范围估算误差（如±4人）时仍视为正确。
• 在9.3米×20米的办公区域（含24个工位和11个开放式座位）采集的真实二氧化碳与人数数据上对估算器进行训练与测试。

实验结果

研究问题

• RQ1 基于二氧化碳浓度与历史人数水平的动态模型能否在不依赖侵入式传感器的情况下，准确估算实时室内人数？
• RQ2 在存在噪声二氧化碳数据的情况下，所提出的FS-ELM算法相比标准ELM在估算准确性方面有何提升？
• RQ3 预平滑二氧化碳数据在多大程度上提升了人数估算性能，特别是在检测人数存在方面？
• RQ4 在实时应用中，能否有效利用局部平滑的二氧化碳数据来近似全局平滑数据的性能？
• RQ5 在允许人数计数存在容差的情况下，该估算器在大型办公环境中的实际准确率如何？

主要发现

• FS-ELM估算器的均方根误差（RMSE）为1.7726，显著低于标准ELM的5.9575，表明其对真实人数水平的跟踪能力更强。
• 在四人容差范围内，估算器准确率达到94%，表明其在暖通空调与照明控制系统中具有强大实际应用价值。
• 预平滑二氧化碳数据降低了误检率（FDR），并提升了整体估算可靠性，尤其在低人数时段检测房间是否有人方面表现更优。
• 使用局部平滑的二氧化碳数据所获得的结果几乎与使用全局平滑数据的结果一致，验证了其在实时应用中的可行性。
• 当房间为空时，估算器的误报率（FPR）较高，表明在区分低人数状态与零人数状态方面仍存在挑战。
• x-容差准确率在三人时达到89%，在四人时达到94%，证实小范围估算误差对建筑能耗管理决策的影响可忽略不计。