PMV Dimension Reduction Utilizing Feature Selection Method: Comparison Study on Machine Learning Models

doi:10.3390/en16052419

PMV Dimension Reduction Utilizing Feature Selection Method: Comparison Study on Machine Learning Models

2023-03-03

0

OA

AI

DOI：10.3390/en16052419

原文链接

原文求助

摘要

En 中文

自P.O. Fanger提出PMV以来，它已成为最广泛用于评估热舒适度的指标。然而，在某些情况下，测量室内空间中所有六个用于PMV估算的必要参数具有挑战性；少数参数（如Clo或Met）在精度上往往表现出较大偏差。基于这些原因，多项研究提出了PMV估算方法，但其准确性显著降低。鉴于此，本研究提出了一种利用机器学习方法降低PMV预测参数维度的方法，旨在在不牺牲预测准确性的前提下提供快速PMV计算。在整个研究中，通过PCA、最佳子集法（Best Subset）和基尼重要性（Gini Importance）确定了影响PMV的最重要特征，并将各模型进行比较。结果表明，PCA与人工神经网络（ANN）组合达到了89.70%的最高精度，而最佳子集法与随机森林（Random Forest）的组合在所有方法中展现出最快的预测性能。

PMV Dimension Reduction Utilizing Feature Selection Method: Comparison Study on Machine Learning Models

摘要

期刊

机构

引用论文