基于机器学习与PIR传感器及预订数据的智能建筑非侵入式占用估计与空间优化研究

本研究针对智能建筑中传统占用估计方法成本高、侵犯隐私且依赖复杂硬件的问题，创新性地提出了一种仅利用二元PIR传感器数据和预订信息的非侵入式解决方案。研究人员通过机器学习模型（特别是Extra Trees Classifier）分析传感器触发间隔内的占用情况，在允许±1人误差时准确率达68.5%（仅统计占用时段），结合预订数据后准确率提升4%。该方法能有效识别空间利用不足和过度使用现象，为优化建筑资源管理、降低能耗提供了低成本、高隐私保护的技术路径。

　　

在智能化浪潮席卷全球的今天，建筑不再仅仅是遮风避雨的物理空间，正逐渐演变为能够感知环境、与人互动、优化自身运行的“智能生命体”。物联网技术为建筑装上了“神经末梢”，使得海量传感器数据的实时采集成为可能；人工智能则赋予建筑“大脑”，使其能够分析数据、预测趋势并自主决策。这两项技术的结合，共同催生了更智能、更节能、更可持续的下一代建筑。然而，实现这一美好愿景面临着一个基础且关键的挑战：如何准确、高效且无感地掌握建筑内部的人员动态？

传统的解决方案主要依赖于两类技术。一类是视觉-based方法，例如使用摄像头进行人头计数。虽然这类方法精度较高，但其高昂的成本、复杂的部署以及对个人隐私的潜在侵犯，使其在许多实际应用场景中显得“水土不服”。另一类是非视觉-based方法，例如使用被动红外、超声波或热传感器等。这些方法通常更具隐私友好性和成本效益，但往往精度有限，或需要融合多种传感器数据，增加了系统的复杂性和开销。此外，现有研究大多忽略了智能建筑中一个普遍存在且极具价值的信息源——房间预订系统。预订数据反映了空间的“计划使用”情况，而传感器数据则揭示了“实际使用”状态，将二者结合有望开辟 occupancy estimation（占用估计）的新思路。

正是在这样的背景下，由Azad Shokrollahi、Fredrik Karlsson、Reza Malekian、Jan A. Persson和Arezoo Sarkheyli-H?gele组成的研究团队，在《Internet of Things》期刊上发表了他们的最新研究成果。他们独辟蹊径，提出了一种极具实用价值的创新方法：仅利用两种最常见的二元PIR（被动红外）传感器和建筑中已有的预订数据，通过机器学习模型来估计房间内的人数，并深入分析空间利用效率。这项研究的核心魅力在于其“非侵入式”和“利用现有基础设施”的理念，旨在以最低的附加成本和最强的隐私保护，为智能建筑的精细化管理和节能减排提供强大支撑。

为了达成研究目标，作者团队主要运用了以下几项关键技术方法：首先，研究数据来源于Sony的Nimway智能办公室系统，该系统在七个房间部署了两种二元PIR传感器（门口通过传感器和室内运动传感器）并记录了详细的预订信息。其次，研究构建了一套特征工程流程，从原始传感器事件和预订数据中提取了多种特征，包括传感器事件间隔时长、室内运动事件次数、前后通道事件数量以及基于预订人数和时长的加权特征等。接着，研究评估了多种机器学习算法（如Gradient Boosting, Extra Trees Classifier, Random Forest等）在不同人员计数层级（精确计数、范围分类、容忍误差）和不同时间阈值下的性能。最后，通过比较机器学习估计的占用人数、预订人数和房间座位数，系统分析了空间的使用不足、过度使用等模式。

研究结果

5.1. 检测不同的房间使用场景

通过对比预订时间表和传感器检测到的实际占用情况，研究发现房间的使用存在显著的不匹配现象。在办公时间内，仅有约9.25%的时间房间处于占用状态，利用率较低。更值得注意的是，在已被预订的时间段内，有31.2%的时间房间实际上无人使用，造成了资源浪费。同时，有29.8%的占用发生在未预订的时间段，表明存在计划外的自发使用。对时间重叠的分析进一步揭示了用户行为模式：人们倾向于晚到（33.77%）和早退（35.10%），这导致预订时段的首尾出现大量空闲时间。这些发现凸显了当前预订系统与实际使用之间的脱节，为优化房间调度、减少空置率提供了明确方向。

5.2. 估计每次室内通过传感器事件之间的人数

在人员计数估计的核心任务上，研究取得了重要成果。在多种机器学习算法中，Extra Trees Classifier表现最为出色。当研究聚焦于房间确实被占用的时段（而非包含长时无人时段）时，该模型在估计值与真实值相差不超过1人的情况下，准确率达到68.5%；在容忍误差为±2人时，准确率提升至81.56%。研究表明，引入预订数据作为上下文特征，能使人员计数准确率平均提升约4%。此外，研究创新性地提出了“人员计数层级”和“时间阈值”的概念。将精确计数（如1,2,3人）放宽到范围分类（如1-4人，5-10人）或允许一定误差（如±1人），能大幅提高模型性能。同时，过滤掉过短的传感器事件间隔（如小于60秒），专注于较长的、更有意义的占用时段，也能有效提升估计准确性。这体现了在实用场景中，在精度和鲁棒性之间寻求平衡的重要性。

5.3. 检测预订数据、座位容量和估计占用之间的差异

通过比较机器学习估计的占用人数、预订人数和房间座位容量，研究成功识别出四种关键的空间利用模式：使用不足、过度预订、过度拥挤和优化使用。分析表明，“使用不足”是最主要的趋势，即实际使用人数经常低于预订人数和房间座位容量。这意味着存在大量的空间和能源浪费。同时，也观察到一定程度的“过度预订”（实际人数多于预订人数）和“过度拥挤”（实际人数超过座位数）现象，尽管频率较低。这些洞察对于设施管理者至关重要，使其能够有针对性地采取措施，例如调整房间分配策略、优化预订系统推荐规则、引导用户更合理地预订空间，从而最大化空间利用效率，降低运营成本。

结论与展望

本研究有力地论证了利用现有二元PIR传感器和预订数据，结合机器学习（特别是Extra Trees Classifier算法），可以实现低成本、非侵入式且足够准确的房间占用估计与空间利用分析。这种方法的核心优势在于其巧妙利用了智能建筑中广泛部署的现有基础设施，避免了昂贵的硬件投入和隐私争议，为智能建筑的高效、可持续运营提供了一条切实可行的路径。

研究的深刻意义在于，它将 occupancy estimation 从单纯的“数人头”提升到了“洞察空间使用模式”的层面。它不仅告诉我们“有多少人”，更重要的是揭示了“空间是否被高效利用”、“计划与实际是否匹配”等更深层次的问题。这对于实现真正的“智能”建筑管理——动态调整HVAC（采暖、通风和空调）和照明、优化空间分配、支持数据驱动的决策——具有至关重要的价值。

当然，研究也指出了未来的改进方向。例如，二元PIR传感器无法区分进出方向，这在一定程度上影响了计数精度。未来可探索融合低成本门磁开关、环境传感器（如CO₂浓度）或采用更先进的序列模型（如LSTM）来捕捉时间动态，以进一步提升性能。此外，将分析结果实时反馈给预订系统，构建能够基于历史占用模式智能推荐合适房间的“推荐引擎”，或通过用户端提示鼓励更负责任预订行为，将是实现闭环优化、最大化研究价值的关键下一步。

总而言之，这项研究为智能建筑领域贡献了一个优雅而实用的解决方案。它证明了，通过创新的算法和数据分析，即使是最普通、最常见的传感器数据，也能挖掘出巨大的价值，推动建筑向着更节能、更高效、更人性化的方向迈进。