[论文解读] Machine Learning for Building Energy and Indoor Environment: A Perspective

Zhijian Liu, Di Wu+2 more|arXiv (Cornell University)|Dec 31, 2017

Solar Radiation and Photovoltaics参考文献 55被引用 3

一句话总结

本文從機器學習，特別是人工神經網絡（ANN）的角度，探討了優化建築能效系統與預測室內環境品質（特別是可培養真菌濃度）的應用。作者展示使用ANN模型，尤其是混合方法如HTS，可提升預測準確度，並主張因可靠性提升與節能及改善室內空氣品質的潛力，應更廣泛採用此方法。

ABSTRACT

Machine learning is a promising technique for many practical applications. In this perspective, we illustrate the development and application for machine learning. It is indicated that the theories and applications of machine learning method in the field of energy conservation and indoor environment are not mature, due to the difficulty of the determination for model structure with better prediction. In order to significantly contribute to the problems, we utilize the ANN model to predict the indoor culturable fungi concentration, which achieves the better accuracy and convenience. The proposal of hybrid method is further expand the application fields of machine learning method. Further, ANN model based on HTS was successfully applied for the optimization of building energy system. We hope that this novel method could capture more attention from investigators via our introduction and perspective, due to its potential development with accuracy and reliability. However, its feasibility in other fields needs to be promoted further.

研究动机与目标

• 為解決預測室內環境條件（特別是可培養真菌濃度）的挑戰，提升預測準確度。
• 探討機器學習模型在優化建築能效系統方面的可行性與有效性。
• 推動使用混合機器學習方法（如基於HTS的ANN）以提升建築應用中的可靠性與效能。
• 強調機器學習在促進節能與改善室內環境品質方面的未開發潛力。

提出的方法

• 應用人工神經網絡（ANN）模型以預測室內可培養真菌濃度。
• 開發並實施結合ANN與HTS（階層式樹狀搜尋）的混合機器學習方法，以提升優化效果。
• 運用HTS以優化模型結構，提升能源與環境應用中的預測準確度。
• 將機器學習技術整合至建築能效系統優化工作流程中。
• 透過比較預測準確度與計算便利性，評估模型效能。
• 採用觀點導向方法，探討將機器學習應用於建築能效與室內環境系統所面臨的理論與實務挑戰。

实验结果

研究问题

• RQ1 機器學習模型（特別是ANN）能否以高準確度有效預測室內可培養真菌濃度？
• RQ2 混合HTS-ANN方法如何提升建築能效與室內環境應用中模型的效能與可靠性？
• RQ3 在該領域選擇最佳模型結構時，主要挑戰為何？
• RQ4 機器學習在多大程度上可促進建築中的節能與改善室內環境品質？
• RQ5 這些機器學習方法在其他建築系統應用中的可移植性為何？

主要发现

• 與傳統方法相比，ANN模型在預測室內可培養真菌濃度方面表現出更高的預測準確度。
• 基於HTS的混合方法在模型結構選擇方面表現更佳，並提升了預測的可靠性。
• 所提出的方法在計算便利性與能效系統優化中的表現方面展現實務優勢。
• 由於模型結構決定的挑戰，機器學習在建築能效與室內環境領域的應用仍處於發展初期。
• 本研究強調機器學習在促進建築能效與室內空氣品質管理方面具有顯著潛力。
• 作者強調需進一步研究以驗證這些方法在更廣泛建築科學應用中的可行性與可擴展性。