《Architecture》:An Ordinal Learning Framework for Modeling Perceived Indoor Environmental Quality Dissatisfaction in University Classrooms: A CORAL-Based Approach with Benchmark Model Evaluation
编辑推荐:
室内环境质量(IEQ)强烈影响教育建筑中居住者的福祉和教学条件。本研究提出了不满意概率预测指数(PPDieq.prof),这是一个基于一致秩逻辑(CORAL)架构的概率有序学习框架,用于估计大学教授的不满意程度,同时保留主观感知的有序结构。该框架通过CORAL
室内环境质量(IEQ)强烈影响教育建筑中居住者的福祉和教学条件。本研究提出了不满意概率预测指数(PPDieq.prof),这是一个基于一致秩逻辑(CORAL)架构的概率有序学习框架,用于估计大学教授的不满意程度,同时保留主观感知的有序结构。该框架通过CORAL架构整合了操作温度、CO2浓度、照度和声压级。一个包含77次同步环境和主观观察的数据集,在常规教学活动中收集,使用嵌套分层分组交叉验证基准进行评估。所提出的框架实现了准确率0.670±0.122,平衡准确率 ,宏F1分数 ,以及二次加权Cohen's Kappa 。与常规统计和机器学习模型的基准比较表明,该框架在保持有序一致性的同时具有竞争性的预测性能。在基准选择过程中选出的代表性CORAL架构随后使用完整数据集重新训练,用于模型可解释性分析。预测因子贡献分析确定CO2浓度是最具影响力的环境变量(48.2%),其次是操作温度(24.8%)、声压级(14.7%)和照度(12.4%)。补充的单因素一次(OFAT)响应分析和探索性潜在空间可视化进一步增强了环境不满意度的解释,展示了所提出框架作为可解释虚拟传感方法支持教育建筑IEQ评估的潜力。
**研究背景与问题**
室内环境质量(IEQ)显著影响教育建筑中居住者的健康、舒适和教学效果。尽管大量研究关注学生对IEQ的感知,但大学教授因长期暴露于教室环境且教学活动中认知和声音负荷高,其感知不满意研究较少。现有模型多将主观感知(如Likert量表)视为回归或名义分类问题,忽略其有序层级结构,导致预测不一致且可解释性差。此外,教室环境具有高密度、动态占用和多因素交互特点,传统方法难以捕捉热、声、光、空气品质(CO
2浓度)的综合影响。因此,需要一种保留有序结构、整合多维度环境变量并具备可解释性的预测框架。
**研究内容与意义**
研究人员提出基于一致秩逻辑(CORAL)的有序学习框架,通过累积概率建模估计大学教授的感知不满意概率指数(PPDieq.prof)。该框架将操作温度、CO
2浓度、照度和声压级作为输入,输出三级不满意概率(低、中、高)。研究采用嵌套分层分组交叉验证(Nested Stratified Group Cross-Validation)进行无偏性能评估,并与有序逻辑回归(OLR)、随机森林(RF)、支持向量机(SVM)、XGBoost及传统人工神经网络(ANN)比较。结果表明,CORAL在保持有序一致性的同时取得竞争性预测性能,且CO
2浓度是最重要预测因子(48.2%)。该研究为教室IEQ评估提供了可解释的虚拟传感方法,直接通过常规环境测量估计不满意概率,无需持续主观调查。论文发表在《Architecture》。
**关键技术方法**
1. **数据收集**:在南巴西(Cfb气候)一所大学的22间教室中,监测13名教授在77次教学课(2024年3月至2025年6月,覆盖四季)中的环境参数。使用AURA? IEQ Discoverer系统同步记录操作温度(°C)、CO
2浓度(ppm)、照度(lux)和声压级(dB),同时收集教授对教室整体IEQ的即时主观评价(五级Likert量表,后调整为三级不满意等级:低、中、高)。
2. **模型框架**:基于一致秩逻辑(CORAL)架构,将三级不满意视为有序变量,通过累积二进制编码和秩一致决策阈值,保持概率层级关系。
3. **验证策略**:采用嵌套分层分组交叉验证(5折外层 + 4折内层),以教授身份为分组变量,防止信息泄漏,并独立优化架构和阈值。
4. **基准模型**:比较有序逻辑回归(OLR)、随机森林(RF)、支持向量机(SVM)、XGBoost及传统人工神经网络(ANN)。
5. **可解释性分析**:使用置换特征重要性、单因素一次(OFAT)概率响应曲线和潜在空间主成分分析(PCA)解释模型行为。
**研究结果**
**3.1 嵌套交叉验证模型选择与架构稳定性**
通过内层交叉验证,各外层折的最优架构偏好紧凑网络(隐藏层最多16个神经元),ReLU激活函数主导(4/5折),低丢弃率(0.05–0.10)被优选。决策阈值平均为0.516,表明固定阈值0.5并非最优。
**3.2 基准模型比较与统计验证**
CORAL在外层测试集上的准确率为0.670±0.122,平衡准确率为0.671±0.133,宏F1分数为0.672±0.138,二次加权Cohen's Kappa(QWK)为0.686±0.162。RF取得最高QWK(0.685±0.187),SVM取得最高平衡准确率(0.698±0.103)。成对Wilcoxon符号秩检验显示所有比较均未达到α=0.05显著性水平,但CORAL与传统ANN间差异最接近显著(p=0.0625)。代表性CORAL架构(单隐藏层16个ReLU单元,丢弃率0.05)被选中用于后续可解释性分析。
**3.3 模型可解释性结果**
**3.3.1 分类行为**:代表性模型在完整数据集上准确率84.42%,QWK=0.8276。混淆矩阵显示错误主要发生在相邻不满意等级之间,无低与高等级直接混淆,符合有序性。
**3.3.2 基于置换的特征贡献**:CO
2浓度贡献最大(48.2%),其次为操作温度(24.8%)、声压级(14.7%)和照度(12.4%),表明所有环境领域均参与感知评估。
**3.3.3 OFAT概率响应与模型导出决策边界**:OFAT分析显示,在其余变量固定为样本中位数时,首个预测类别转换点分别为:操作温度~19.97°C,CO
2浓度~933.26 ppm,照度~158.38 lux,声压级~59.16 dB。这些值表示模型导出的条件概率边界,非通用阈值。
**3.3.4 潜在空间PCA**:对16维隐藏层激活进行PCA,前两个主成分解释59.22%方差。投影显示低、中、高不满意等级逐步空间组织,相邻等级部分重叠,进一步支持有序结构。
**讨论与结论**
讨论部分指出,CORAL框架在有限样本(n=77)和自然通风条件下取得中等预测性能,错误模式符合有序性。CO
2浓度的主导地位反映室内空气品质对感知的影响力,但所有环境变量均贡献。OFAT边界和PCA投影增强了模型可解释性。局限性包括样本量小、单一机构、自然通风条件,未来需在更大独立数据集上验证。
**研究结论翻译**:本研究提出了基于一致秩逻辑(CORAL)架构的有序深度学习框架,用于建模大学教室中多维室内环境质量(IEQ)条件下教授的不满意感知。研究采用两阶段策略:首先,利用严格的嵌套分层分组交叉验证协议,将所提出框架的预测性能与常规统计和机器学习模型进行基准比较;随后,将基准阶段确定的代表性CORAL架构使用完整数据集重新训练,专门用于模型可解释性分析。通过将预测问题重构为累积有序学习,所提出框架保留了不满意等级的有序层级,同时产生与有序响应结构一致的累积概率。基准测试表明,尽管数据集具有挑战性(有限样本量n=77、环境变异性、人类感知主观性),所提出CORAL框架仍取得了竞争性预测性能。尽管RF、SVM和XGBoost在某些指标上取得更高点估计,但成对Wilcoxon符号秩检验(基于外层折QWK值)未检测到CORAL与任何基准模型间的统计显著差异(所有比较p>0.05)。因此,基准测试未提供充分统计证据证明任何算法在采用验证协议下持续优于其他算法。对代表性CORAL模型的可解释性分析提供了互补性见解:预测因子贡献分析表明CO
2浓度是最具影响力的预测因子(48.2%),其次为操作温度(24.8%)、声压级(14.7%)和照度(12.4%)。OFAT分析进一步表征了模型行为,在参考条件下识别出约19.97°C、933.26 ppm、158.38 lux、59.16 dB的转换区域。探索性PCA揭示了多维IEQ信息在潜在空间中的有序组织。从实践角度,所提出PPDieq.prof框架代表一种虚拟传感方法,可将连续环境测量转化为教授感知不满意的有序概率。局限性包括数据集仅包含77个观察值、自然通风条件及单一机构,未来需在更大独立数据集上评估。