SVM ЖӘНЕ RANDOM FOREST МОДЕЛДЕРІН ПАЙДАЛАНУ АРҚЫЛЫ ЖЫЛУЛЫҚ ЖАЙЛЫЛЫҚТЫ БОЛЖАУ

Жылулық жайлылықты болжау адам тұруы үшін салынған ортаны оңтайландыру үшін өте маңызды, өйткені ол денсаулыққа, өнімділікке және жалпы әл-ауқатқа әсер етеді. Бұл мәселені шешу сәулетшілер, инженерлер, психологтар және деректер ғалымдары арасындағы әртүрлі климаттық және сәулеттік дизайндағы тұрғынның жылулық жайлылық қалауларын болжайтын сенімді болжамды модельдерді әзірлеу үшін пәнаралық ынтымақтастықты талап етеді. Дәстүрлі әдістер субъективті және уақытты қажет ететін адам жайлылық үлгілеріне сүйенеді. Support Vector Machine (SVM) және Random Forest (RF) сияқты машиналық оқыту алгоритмдері жоғары дәлдік пен тиімділікпен термиялық жайлылықты болжау үшін пайдаланылды. Заттардың интернеті (IoT)  парадигмасын зерттейтін адаптивті басқару алгоритмдері мен модульдік архитектуралары арқылы ғимараттарды басқару жүйелерінің индустриясында төңкеріс жасайды. Бұл мақалада ғимараттардағы жылулық жайлылықты болжау үшін SVM және Random Forest алгоритмдерін пайдалану талқыланады, олардың артықшылықтары мен кемшіліктері зерттеледі және әртүрлі сценарийлердегі олардың өнімділігі салыстырылады. Зерттеудің бір бөлігі ретінде термиялық жайлылық деректерінің жиынтығы талданды, саны бойынша сүзілді және шектен тыс мәндер жойылды. Деректер оқу үшін 80% және тестілеу үшін 20% бөлінді. Зерттеу қоршаған орта параметрлері мен жылулық жайлылық реакциялары арасындағы күрделі қатынастарды анықтау үшін SVM және Random Forest үлгілерін пайдаланды. Нәтижелер көрсеткендей, IQR әдісі 3-4% дәлдік береді, ал жапсырманы азайту әдісі 20-23% дәлдік береді. Модельдердің параметрлері де тексерілді, нәтижесінде екі модель арасында 2-4% айырмашылық болды. Зерттеу Random Forest SVM-ге қарағанда сенімдірек екенін дәлелдеді және дәлдікті жақсарту үшін жаңа мүмкіндіктерді қосуды жоспарлап отырмыз.