面向可解释数字孪生的室内环境风险预测:基于开放物联网传感器数据

《Results in Engineering》:Toward Explainable Digital Twins for Indoor Environmental Risk Prediction Using Open IoT Sensor Data

【字体: 大 中 小 】 时间:2026年08月04日 来源:Results in Engineering 9.4

编辑推荐:

  尽管数字孪生(Digital Twins)已成为智能建筑管理的一种可行技术,但当前大多数应用将实时监测和可视化置于主动环境风险预测之上。为了利用多模态物联网(Internet of Things, IoT)传感器数据估计未来室内环境威胁,本研究提出了一种可解释

  
尽管数字孪生(Digital Twins)已成为智能建筑管理的一种可行技术,但当前大多数应用将实时监测和可视化置于主动环境风险预测之上。为了利用多模态物联网(Internet of Things, IoT)传感器数据估计未来室内环境威胁,本研究提出了一种可解释数字孪生范式。研究人员使用了一个开放获取的室内环境数据集,该数据集包含来自五个传感器节点的约8000个观测值。数据集中包括温度、空气质量、声音、光照、接近度和时间测量值。通过多模态特征工程技术生成了滞后变量、滚动窗口统计量、交互特征和上下文指标。为了预测未来过热风险,评估了五种机器学习算法(逻辑回归、随机森林、XGBoost、LightGBM和梯度提升)。使用均匀流形逼近与投影(Uniform Manifold Approximation and Projection, UMAP)和KMeans聚类发现潜在环境风险状态,并将可解释人工智能(Explainable Artificial Intelligence, XAI)与SHapley加法解释(SHapley Additive exPlanations, SHAP)相结合以识别风险的环境驱动因素。所有模型均表现出卓越的预测性能,其中随机森林达到了最佳准确率(0.980)、F1分数(0.980)和AUC-ROC(0.998)。虽然空气质量、听觉和时间变量提供了额外的预测信息,但温度被发现是未来风险的最重要预测因子。此外,聚类方法通过识别不同的低、中、高风险运营情境,有助于理解环境状态并辅助决策。所提出的范式将数字孪生从被动监测系统转变为透明、智能和预测性平台,有助于风险缓解和主动室内环境管理。
室内环境质量(Indoor Environmental Quality, IEQ)对人类健康、舒适度、生产力和福祉至关重要,现代人群近90%的时间在室内度过。不良的室内环境因素(如热舒适、空气质量、光照和声学性能)与病态建筑综合征、工作效率下降、缺勤率升高及慢性健康问题密切相关。随着物联网(Internet of Things, IoT)技术的发展,通过分布式传感器网络实时采集大量环境数据成为可能,但数据集成、解释和决策支持面临巨大挑战。传统的阈值监测方法难以捕捉环境变量间的复杂交互,且无法在风险发生前进行预测。数字孪生(Digital Twins, DT)作为物理对象的虚拟副本,能够通过双向数据交换实现实时同步,在建筑领域已用于能耗管理、预测性维护和舒适度评估,但多数研究集中于操作优化和描述性监测,缺乏面向主动环境风险预测的集成框架。为此,本研究提出了一种可解释的数字孪生范式,旨在利用多模态IoT传感器数据预测未来室内环境风险,将数字孪生从被动监控系统转变为透明、智能且可预测的平台。

研究人员利用一个开放获取的室内环境数据集(来自Open Science Framework,OSF),包含约8000个观测值,来自五个传感器节点,涵盖温度、湿度、气压、光照、声音、气体传感(NH3、氧化气体、还原气体)、接近度和时间等测量值。通过多模态特征工程技术生成滞后变量、滚动窗口统计量、交互特征和上下文指标,最终形成46个预测变量。采用五种机器学习算法(逻辑回归、随机森林、XGBoost、LightGBM和梯度提升)预测未来过热风险,并使用均匀流形逼近与投影(Uniform Manifold Approximation and Projection, UMAP)进行降维,结合KMeans聚类发现潜在环境风险状态。通过SHapley加法解释(SHapley Additive exPlanations, SHAP)实现模型可解释性,并进行了模态消融实验、时空分析和传感器级比较分析。研究结论表明,所有模型均表现出卓越的预测性能,随机森林达到最佳准确率(0.980)、F1分数(0.980)和AUC-ROC(0.998)。温度是未来风险的最重要预测因子,空气质量、声音和时间变量提供额外信息;聚类方法识别出低、中、高风险三种运营状态;时空分析显示夏季风险最高,且不同传感器节点存在显著空间异质性。该研究的重要意义在于将数字孪生从被动监控系统转变为主动、透明、可解释的预测平台,为智能建筑中的室内环境管理和风险缓解提供了新范式。论文发表在《Results in Engineering》。

该研究使用的主要关键技术方法包括:采用多模态特征工程技术,从原始IoT传感器数据中提取滞后变量、滚动窗口统计量、交互特征和上下文指标,以捕捉时间动态和复杂环境交互;应用五种机器学习算法(逻辑回归、随机森林、XGBoost、LightGBM、梯度提升)进行未来过热风险预测,并通过准确率、F1分数和AUC-ROC评估性能;使用UMAP降维和KMeans聚类发现潜在环境风险状态;结合SHAP进行可解释性分析,量化特征贡献;通过模态消融实验、Pearson相关分析、时空热图和传感器级比较进行多维度验证。数据来源为开放获取数据集,包含约8000个观测值,来自五个传感器节点。

研究结果部分:

**多模态IoT数据架构**:通过特征工程生成46个预测变量,其中58.7%来自滞后和滚动窗口变换,表明时间动态在室内环境监测中的重要性。温度、空气质量、声音、光照、接近度和时间等模态被整合。

**皮尔逊相关分析**:温度与未来过热风险呈强正相关(r=0.78),NH3浓度呈强负相关(r=-0.51),声音低频频段和声音幅度呈中等正相关,氧化气体呈中等负相关。该分析揭示了温度作为主要预测因子的物理意义。

**UMAP环境风险空间**:UMAP投影显示未来风险样本在二维潜在空间中集中分布于特定区域,与无风险样本存在可辨别的分离,表明多模态特征集能够捕捉环境风险的内在结构,且存在多个操作状态。

**KMeans风险状态聚类**:在UMAP空间中进行KMeans聚类,识别出低风险(56.1%)、中风险(23.0%)和高风险(20.9%)三种运营状态。高风险状态形成紧凑且分离的区域,表明极端环境具有一致的特征剖面。

**模型比较**:所有评估模型均表现优异,随机森林以准确率0.980、F1分数0.980和AUC-ROC 0.998领先,XGBoost和LightGBM紧随其后,逻辑回归也达到0.977的准确率。集成树方法在捕捉非线性交互方面优于线性模型。

**ROC曲线**:所有模型的ROC曲线均接近左上角,AUC值介于0.997至0.998之间,表明模型在广泛决策阈值下均能可靠区分风险与非风险状态,且误报率极低。

**SHAP总结图**:温度是影响预测的最强特征,其SHAP值范围从-10到+9,高温对应正贡献(增加风险),低温对应负贡献。小时变量、空气质量指标(氧化气体、NH3)、湿度特征和声音变量也贡献显著,但幅度远小于温度。

**SHAP依赖图**:温度呈现出S形非线性响应,存在关键热阈值,超过该阈值风险显著增加。小时变量显示下午风险升高,反映累积热负荷和占用模式。氧化气体和湿度变异性呈负相关,表明其作为风险修正因子。

**模态消融研究**:全模态模型达到最佳性能(F1=0.979,AUC=0.998)。单独使用温度模态几乎达到全模态水平(F1=0.977,AUC=0.996)。滞后和滚动特征同样表现强劲(F1=0.970,AUC=0.997),空气质量模态中等(F1=0.892,AUC=0.957),声音、工程特征、接近度和时间上下文变量贡献较低,光照模态最弱(F1=0.524,AUC=0.602)。

**时空风险热图**:8月平均风险最高(0.89),9月夜间和早晨风险高,11月和12月风险最低(0.09-0.11)。午后风险略高,但季节性变化主导。该分析表明未来过热风险具有强季节性,夏季为关键运营季节。

**传感器级比较分析**:不同传感器节点显示显著空间异质性。Sensor 50风险最高(概率持续>0.80),Sensor 30最低(约0.35)。风险状态下所有传感器温度分布右移,NH3浓度降低,与相关分析一致。该结果验证了分布式IoT感知的必要性。

**数字孪生仪表板**:集成了实时监控、风险预测、SHAP解释和聚类状态分类。示例显示温度27.9°C、湿度44.9%、风险评分0.51,属中风险状态。XAI面板显示温度、滞后温度、小时、氧化气体等为主要驱动因素。该仪表板将预测和解释转化为可操作决策支持工具。

讨论部分总结:本研究结果证实多模态IoT传感器数据为预测性室内环境风险数字孪生提供了坚实基础。所有模型的高预测性能表明未来环境风险深度嵌入于传感数据的时间和环境模式中。热条件的主导作用与先前研究一致(如ElArwady等、Hodavand等),但本研究进一步显示空气质量、声音和时间变量提供互补信息。通过SHAP实现模型透明性,结合UMAP-KMeans状态发现,将数字孪生从被动监测推向主动预测。该框架响应了Cai等和Deng等对下一代数字孪生应整合多因素、可解释和智能决策支持的需求。

研究结论部分翻译:本研究提出了一个可解释数字孪生框架,用于使用多模态物联网传感器数据预测未来室内环境风险。该框架将环境感知、多模态特征工程、机器学习预测、可解释人工智能和环境风险状态发现整合在一个数字孪生架构中。结果表明,可以利用表示热条件、空气质量、听觉特征、时间模式和地理背景的异构传感器流有效预测未来室内环境危险。在评估的算法中,集成学习方法表现出卓越的预测性能,而SHAP分析提供了驱动风险估计的环境因素的清晰解释。此外,UMAP降维和KMeans聚类的组合使得识别不同的低、中、高风险环境状态成为可能,将预测输出转化为设施管理人员可用的信息。总的来说,这些发现说明了数字孪生如何从被动监控系统演变为能够支持主动室内环境管理和风险缓解的智能且可解释的平台。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号