A review of unsupervised statistical learning and visual analytics techniques applied to performance analysis of non-residential buildings

داده های اندازه گیری شده و شبیه سازی شده از محیط ساخته شده به سرعت در حال افزایش است. برای تجزیه و تحلیل داده ها از صدها یا حتی هزاران ساختمان در یک بار، طبیعی است. تجزیه و تحلیل مکانیکی دستی از چنین مجموعه داده ها، زمان گیر است و با استفاده از تکنیک های معمول، واقع گرایانه نیست. بدین ترتیب، بخش قابل توجهی از ادبیات با استفاده از تکنیک های یادگیری آماری بدون نظارت طراحی شده است تا ساختار و اطلاعات را به سرعت با پارامترهای ورودی کمتر و یا ابردادهایی درباره ساختمان های جمع آوری شده، کشف کنند. علاوه بر این، تکنیک های تجزیه و تحلیل بصری به عنوان کمک در این روند برای یک تحلیلگر انسانی برای استفاده و تفسیر نتایج. در این مقاله، نشریات مورد بررسی قرار می گیرند که شامل استفاده از تکنیک های یادگیری ماشین ناپیوسته در کنترل و تجزیه و تحلیل عملکرد ساختمان غیر مسکونی می باشد. دسته های تکنیک های پوشش داده شده عبارتند از خوشه بندی، تشخیص نوآوری، تشخیص موتیف و اختلاف، استخراج قانون و تجزیه و تحلیل بصری. این نشریات این فناوری ها را در حوزه های هوشمند، تجزیه و تحلیل نمونه کارها، عملیات و کنترل بهینه سازی و تشخیص آنومالی استفاده می کند. بحث در مورد چالش های اصلی ناشی از این بررسی، مانند نیاز به همکاری بهتر بین چندین جوامع تحقیقاتی متفاوت و عدم وجود مجموعه داده های باز و معین، گنجانده شده است. فرصت های بهبودی از جمله روش های تحقیق مجدد و پیشنهادات برای همکاری متقابل انسانی ارائه شده است.