基于热舒适度指标的、由物联网支持的室内空气质量指数预测

《IEEE Journal of Selected Areas in Sensors》：IoT-Enabled Indoor Air Quality Index Prediction Based on Thermal Comfort Metrics

　　

摘要：

本研究将物联网（IoT）技术应用于室内空气质量指数（IAQI）和预测平均投票值（PMV）的评估中，旨在创造更健康的室内环境，因为这些环境被认为有助于提升居住者的舒适度和生产力。传统上，测量PMV需要特定的传感器或仪器，这限制了其广泛应用。通过利用来自物联网传感器的温度、湿度和二氧化碳（CO2浓度数据，本文提出了两种PMV预测方法：一种经验模型和一种机器学习算法，后者的准确率为74.2%，误差范围为±0.5。所采用的随机森林（RF）模型与XGBoost、LightGBM、支持向量回归和神经网络等基线方法在相同的数据划分下进行了对比，结果显示其准确率相当，并且能够提供用于后续权重计算的可解释特征重要性。此外，本文还提出了一种利用二氧化碳浓度随时间变化来估算每小时空气交换次数（ACH）的创新技术。在数据集中，通过两种方法测得的PMV表明温度是一个关键因素，两种方法的PMV相关系数均为0.89。另一个重要贡献是通过时间分数法改进了IAQI的设计，其中使用机器学习来推导权重参数。利用基于时间特征的RF模型，BME680空气质量传感器的IAQI预测准确率为89.3%，误差范围为10%，由此获得了权重参数。将这种IAQI与BME680的IAQI进行比较，发现其与PMV的相关性更强。两种方法获得的PMV与时间分数IAQI之间的平均相关系数为0.65，高于BME680 IAQI的-0.13。这些发现表明，所提出的IAQI能更准确地反映热舒适度的因素。

显示更多