ПРОГНОЗИРОВАНИЕ ТЕПЛОВОГО КОМФОРТА С ПОМОЩЬЮ МОДЕЛИ SVM И RANDOM FOREST

Прогнозирование теплового комфорта имеет решающее значение для оптимизации строительных сред для человеческого проживания, так как оно влияет на здоровье, производительность и общее благополучие. Для решения этой задачи требуется междисциплинарное сотрудничество архитекторов, инженеров, психологов и специалистов по обработке данных для разработки надежных прогностических моделей, предвидящих предпочтения жильцов к тепловому комфорту в различных климатических условиях и архитектурных решениях. Традиционные методы основаны на моделях комфорта человека, которые могут быть субъективными и затратными по времени. Алгоритмы машинного обучения, такие как Support Vector Machine (SVM) и Random Forest (RF), использовались для прогнозирования теплового комфорта с высокой точностью и эффективностью. Интернет вещей (IoT) революционизирует отрасль систем управления зданиями, с адаптивными управляющими алгоритмами и модульными архитектурами, исследующими парадигму IoT. В данной статье обсуждается использование алгоритмов SVM и Random Forest для прогнозирования теплового комфорта в зданиях, исследуются их преимущества и недостатки, а также сравнивается их производительность в различных сценариях. В рамках исследования был проанализирован набор данных по тепловому комфорту, произведена фильтрация по количеству и удаление выбросов. Данные были разделены на 80% для обучения и 20% для тестирования. В исследовании использовались модели SVM и Random Forest для выявления сложных взаимосвязей между параметрами окружающей среды и реакциями на тепловой комфорт. Результаты показали, что метод IQR обеспечил точность в 3-4%, в то время как метод уменьшения значений меток предоставил точность в 20-23%. Также были проверены параметры моделей, что привело к различию в 2-4% между двумя моделями. Исследование заключает, что Random Forest оказался более устойчивым, чем SVM, и планирует добавить новые функции для повышения точности.