Reconstruction of the indoor temperature dataset of a house using data driven models for performance evaluation

هرگاه نظارت طولانی مدت بر روی یک ساختمان انجام می شود، احتمال دارد که سنسورهای خاص یا کل سیستم نظارت استفاده شده ممکن است ناشی از شکست دراز مدت باشد و بنابراین شکاف های مهمی را در یک یا چند متغیر ویژه ای ایجاد می کند. این فاصله های طولانی ممکن است با استفاده از درون یابی خطی ساده مورد خطاب قرار نگیرند. گزینه ای که تنها با استفاده از داده های موجود برای آمار توصیفی، نتایجی را ایجاد می کند که نسبت به فصل اندازه گیری تغییر یافته است. علاوه بر این، نادیده گرفتن اطلاعات ناقص نشاندهنده هدر رفتن وقت و تلاش در تحقیقات است. کار در اطراف برای کاهش مشکل تعصب پیش بینی داده های از دست رفته از دیگر متغیرهای اندازه گیری با استفاده از تکنیک های یادگیری ماشین است. بعضی از سوالاتی که مطرح می شود عبارتند از: چقدر اطلاعات لازم است تا بتواند مدل رگرسیون را آموزش دهد؟ خطای پیش بینی شده چنین پیش بینی چیست؟ بهترین مدل برای چنین کاری چیست؟ این مقاله به مشکل تکمیل یک مجموعه داده برای درجه حرارت داخلی داخل یک خانه منفعل با استفاده از پیش بینی کننده های نظارت شده نظیر دمای بیرونی، رطوبت، سرعت باد، دید، فشار و استفاده از انرژی الکتریکی در داخل ساختمان می پردازد. دو مدل رگرسیون، رگرسیون چندگانه خطی و جنگل تصادفی با استفاده از منحنی یادگیری برای مجموعه های آموزشی و تست برای تجسم به اصطلاح تجارت نامحدود واریانس مقایسه شده است. منحنی یادگیری کمک می کند تا به پرسش از اندازه نمونه مطلوب برای آموزش، انتخاب مدل و خطای احتمالی پاسخ دهد. در نهایت، آمار توصیفی مانند متوسط، حداکثر، حداقل، و میانگین دمای اتاق قبل و بعد از تکمیل مجموعه داده ها ارائه شده است.