کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6699302 502523 2016 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Occupancy data analytics and prediction: A case study
ترجمه فارسی عنوان
تجزیه و تحلیل داده ها و پیش بینی داده ها: یک مطالعه موردی
کلمات کلیدی
پیش بینی مسکن، حضور شغلی، داده کاوی، فراگیری ماشین،
ترجمه چکیده
اشغالگران یک عامل تاثیرگذار مهم برای ساختن مصرف انرژی هستند. مطالعات متعدد در مورد نقش ساکنان تاکید کرده و تعاملات میان ساکنان و ساختمان ها را مورد بررسی قرار دادند. با این حال، یک مشکل اساسی، نحوه یادگیری الگوهای مشاغل و پیش بینی برنامه اشغال، به دلیل فعالیت های بسیار اتفاقی ساکنان و اطلاعات کافی، به خوبی حل نشده است. در این مطالعه، روش یادگیری مبتنی بر داده ها برای یادگیری و پیش بینی برنامه های اشغال در ساختمان های اداری پیشنهاد شده است. رویکرد پیشنهادی ابتدا الگوهای حضور شان را با تجزیه خوشه ای شناسایی می کند، سپس قوانین برنامه را با درخت تصمیم گیری یاد می گیرد و در نهایت برنامه های اشغال را براساس قوانین القا می کند. مطالعه موردی در یک ساختمان اداری در فیلادلفیا، ایالات متحده بر اساس داده های یک ساله مشاهده شده، نتایج اعتبار سنجی نشان می دهد که رویکرد پیشنهاد شده به طور قابل توجهی دقت پیش بینی برنامه اشغال را بهبود می بخشد. رویکرد پیشنهادی فقط نیاز به داده های ورودی ساده (به عنوان مثال، داده های سری زمانی تعداد ساکنان ورود و خروج از ساختمان)، که در اکثر ساختمان های اداری در دسترس است. بنابراین، این روش عملی است برای پیش بینی برنامه اشغال، شبیه سازی انرژی ساختمان و عملیات تسهیلات.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
تجزیه و تحلیل داده ها و پیش بینی داده ها: یک مطالعه موردی
چکیده انگلیسی
Occupants are a critical impact factor of building energy consumption. Numerous previous studies emphasized the role of occupants and investigated the interactions between occupants and buildings. However, a fundamental problem, how to learn occupancy patterns and predict occupancy schedule, has not been well addressed due to highly stochastic activities of occupants and insufficient data. This study proposes a data mining based approach for occupancy schedule learning and prediction in office buildings. The proposed approach first recognizes the patterns of occupant presence by cluster analysis, then learns the schedule rules by decision tree, and finally predicts the occupancy schedules based on the inducted rules. A case study was conducted in an office building in Philadelphia, U.S. Based on one-year observed data, the validation results indicate that the proposed approach significantly improves the accuracy of occupancy schedule prediction. The proposed approach only requires simple input data (i.e., the time series data of occupant number entering and exiting a building), which is available in most office buildings. Therefore, this approach is practical to facilitate occupancy schedule prediction, building energy simulation and facility operation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Building and Environment - Volume 102, June 2016, Pages 179-192
نویسندگان
, , ,