.png){kind=icon}
返回
A comprehensive method for exploratory data analysis and preprocessing the ASHRAE database for machine learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.applthermaleng.2025.126556.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
热舒适预测对于建筑能效和 occupants 舒适度至关重要。机器学习方法常用于预测热舒适。本研究提出了一套完整的过程，用于探索和预处理ASHRAE数据库，提供了一个包含107,583条热舒适观测记录的庞大数据库，用于创建能够估算Fanger's PMV的机器学习算法。在文献中最为详尽的清洗和预处理阶段中，包括缺失值的插补和异常值的管理，最终数据集缩减至55,443条记录用于分析。由于其速度快、易于使用且经济高效，该估算为实际应用和室内舒适度评估提供了显著优势。本研究旨在调查Fanger's PMV模型中哪些参数重要，以及使用不同的特征选择和分析方法时，哪个变量子集最适合变量选择。Ta和Tr具有0.92的高相关性，表明这两个变量之间存在强关联。研究采用了特征重要性、SelectKBest、SHAP、P-box和PDP分析，结果一致并建议将前六个元素缩减为三个，同时使用包含41,977条记录的中国数据库进行了验证。研究针对三个参数：Ta、clo和M，采用成本较低且简单的测量设备。为评估研究性能的准确性，基于这三个参数创建了RF和SVM模型。结果表明，它们的准确率分别为85%和70%，显著优于传统模型。
Keyword:
Random forest
SHAP
ASHRAE Global thermal comfort database
PMV
Thermal comfort
Machine learning
期刊
IF:
6.9
论文数:
2.7W
被引数:
10.6W
机构
引用论文
分享收藏DeepComfort: Energy-Efficient Thermal Comfort Control in Buildings Via Reinforcement LearningDeepComfort: 通过强化学习实现建筑热舒适节能控制
OAAI
OAAI分享收藏PMV Dimension Reduction Utilizing Feature Selection Method: Comparison Study on Machine Learning Models利用特征选择方法的PMV维度约简：机器学习模型的比较研究.png)
Energies
OAAI
EnergiesIF0
OAAI分享收藏Multi-Task Learning for Concurrent Prediction of Thermal Comfort, Sensation and Preference in WintersBUILDINGSOAAI
BUILDINGSIF3.1
OAAI分享收藏Comparing machine learning algorithms in predicting thermal sensation using ASHRAE Comfort Database IIENERGY AND BUILDINGS
ENERGY AND BUILDINGSIF7.1
PREAI
分享收藏
查看更多内容