基于机器学习的人体热舒适度建模与预测

摘要

热舒适度是衡量室内环境质量和影响人类健康的重要指标之一，是建筑、空调控制等系统智能化的重要参考依据，同时能够有效降低建筑热环境控制的能源需求．目前可穿戴设备如智能手环、柔性传感器等已广泛应用，可构建人体的健康大数据．但由于存在个体差异因素，不同个体对相同热环境所表现的生理热反应不同，基于单一个人的热舒适模型难以对群体热状态实现有效地预测．考虑到以往研究样本量相对较小、模型复杂难以部署等局限性，本文建立人工气候室，利用环境传感器和可穿戴设备收集了60名受试者的热舒适数据，采用机器学习实现人体热舒适度建模与预测．研究考虑身高、体重、性别等个体差异因素，采用XGBoost、随机森林和SVC共3种机器学习算法，得到了基于人体生理参数的增强型预测热态模型并对热舒适度进行分类．结果表明：对皮肤温度及其梯度进行归一化处理发现，归一化过程能够将冷不舒适、舒适、热不舒适3种状态拉开，有利于SVC算法在高维空间寻找最优超平面，对特征进行分类．对比归一化前后随机森林模型的特征重要性发现，归一化过程降低了体重、身高、性别等个体差异对模型预测效果的影响程度；在XGBoost、随机森林和SVC这3种机器学习算法中，SVC在测试集上的准确率和3种热状态的AUC值都高于XGBoost和随机森林，其分类效果和泛化能力最好．

关键词

可穿戴 / 热舒适度 / 个体差异 / 机器学习 / 预测模型