传感器位置对居住者热舒适状态预测的影响研究学术报告
本报告旨在介绍一篇由Nidia Bucarelli（通讯作者）与Nora El-Gohary教授共同完成的研究论文，其内容聚焦于传感器位置对建筑内居住者热舒适状态预测模型性能的影响。该论文发表于ASCE（美国土木工程师学会）主办的“Construction Research Congress 2024”会议论文集。第一作者Nidia Bucarelli与第二作者Nora El-Gohary均隶属于伊利诺伊大学厄巴纳-香槟分校（University of Illinois at Urbana-Champaign）的土木与环境工程系。
一、 研究背景与目的
本研究属于建筑环境与能源管理、智能建筑以及人机交互的交叉领域，具体关注建筑室内环境质量（IEQ）中的热舒适（Thermal Comfort）预测。全球能源消耗持续增长，建筑部门贡献了其中很大一部分。在美国，建筑能耗占比高达40%。同时，人们大约90%的时间在室内度过，热舒适作为影响居住者健康、福祉和生产力的主要因素，是建筑环境调控的核心目标之一。供暖、通风和空调（HVAC）系统是保障热舒适的主要设备，但其能耗也占建筑总能耗的40-60%。因此，实现精准、个性化的热舒适预测与调控，对提升能效和居住者满意度具有重要意义。
当前，数据驱动的方法（Data-driven Approaches）被广泛用于自动预测居住者热舒适状态，这些方法通常依赖于机器学习算法，通过关联室内环境参数（如温度、湿度）、个人参数（如新陈代谢率、服装热阻）及生理参数来建立预测模型。然而，现有研究普遍忽视了一个关键实际问题：用于收集室内环境数据的传感器位置。室内空气温度等参数在房间不同位置/空间分布不均，传感器放置的具体位置会显著影响测量值，进而可能影响模型的预测性能与在实际部署中的适用性。论文明确指出，尽管传感器位置的影响至关重要，但在此研究之前，尚无专门研究系统分析传感器位置对热舒适建模与预测的影响。因此，本研究旨在填补这一知识空白，系统性地探究传感器位置对居住者热舒适状态预测模型性能的具体影响，以期为未来的实验设计及实际应用系统提供指导。
二、 详细研究流程与方法
本研究的方法论主要包含四个核心步骤：实验设计与数据采集、数据预处理、居住者热舒适预测模型开发、以及性能评估。
1. 实验设计与数据采集 研究在一个受控的办公室环境（测试床）中进行。房间面积为14.8平方米，层高3米。共招募了29名来自伊利诺伊大学厄巴纳-香槟分校（UIUC）的参与者，其人口统计学信息（性别、年龄组、种族、地理来源等）已进行统计。每次实验时长为90分钟，期间通过便携式空调和加热器使室内空气温度从19°C逐渐变化至29°C，同时将相对湿度、平均辐射温度和风速控制在可接受的范围内。
实验的核心设计是在房间内的六个不同位置（编号为S1至S6）部署了基于Arduino的传感器模块，用于读取空气温度和相对湿度。这些传感器被放置于距地面1.15米的高度（略高于ASHRAE推荐的1.10米坐姿测量高度）。S1至S3及S6的选择基于建筑中传感器通常安装在墙面的惯例以及空间覆盖的考虑；S4和S5则是因为热舒适研究中传感器常被放置在受试者附近，且书桌边缘的中心位置受到加热单元影响。此外，还通过黑球温度计和风速计测量平均辐射温度和风速。所有传感器数据以1分钟为间隔发送至MySQL数据库。
参与者进入测试床前，需在一个非受控房间进行15分钟的预适应，并完成关于人口统计学和服装层数的调查。在90分钟的实验中，参与者被要求执行办公任务，并至少每10分钟或当其感受到热舒适状态变化时，使用Fanger（1970）提出的七点热舒适感（Thermal Comfort Sensation）量表提供反馈（最终被转换为“凉（Cool）”、“中性（Neutral）”、“暖（Warm）”三点式状态用于建模）。同时，参与者还需基于Russell（1980）的情绪环状模型（Circumplex Model of Emotions），就其情绪状态（效价Valence与唤醒度Arousal）提供反馈。
2. 数据预处理 对每个传感器位置的时间序列数据，使用四分位距（IQR）准则去除异常值。对于缺失数据，采用向前插值法进行填补。利用六个位置的数据，生成了“平均室温”和“平均室温湿度”特征，作为第七个虚拟传感器位置S7的数据。将受试者的反馈（热舒适和情绪状态）插值为1分钟间隔的数据，假设两次连续反馈之间的状态保持不变。情绪状态反馈被转换为“效价”（高/低）和“唤醒度”（高/低）两个特征。最终，预处理后获得2639个数据样本。由于参与者数量有限且假设了恒定反馈，为减少结果偏差，数据集被划分为五个独立的子集。每个子集随机抽取24名参与者的数据用于模型训练，剩余5名参与者的数据用于测试，确保了训练集和测试集来自不同的参与者。
3. 模型开发 对于每一个传感器位置（S1至S6）以及平均位置S7，分别开发一个热舒适状态预测模型（对应模型M1至M7）。模型采用XGBoost算法（一种强大的树集成算法）进行训练，旨在预测三个类别：凉、中性、暖。模型输入特征包括：个人参数（性别、种族、地理来源、上身服装层数）、情绪状态（效价、唤醒度）、以及来自特定传感器位置的空气温度和相对湿度数据。研究旨在测试传感器位置的影响，因此每个模型仅使用来自其对应位置（或S7的平均值）的温湿度数据作为环境特征输入。
为了评估传感器位置的影响，每个模型都将在两种场景下测试其性能：第一种是使用训练传感器位置（Training-sensor Location，即用于训练该模型的传感器位置）的数据进行预测；第二种是使用推理传感器位置（Inference-sensor Location，即房间内其他传感器位置）的数据进行预测。这意味着，例如，用S1位置数据训练的模型M1，不仅会用S1的数据测试，还会用S2, S3, …, S7的数据进行测试，以观察当模型部署在与训练数据采集位置不同的地点时，性能会发生何种变化。
4. 性能评估 使用准确率（Accuracy）和加权F1分数（Weighted F1-measure）作为模型性能的评价指标。准确率衡量总体分类正确率。F1分数是精确率（Precision）和召回率（Recall）的调和平均数，能够更好地评估模型在每个具体类别（凉、中性、暖）上的表现，并通过加权平均得到总体性能指标。
三、 主要研究结果
1. 训练传感器位置对模型性能的影响 当使用与训练数据采集位置相同的传感器数据进行预测时，不同传感器位置训练的模型表现出不同的性能。如表2所示，平均而言，不同模型间的性能差异在准确率和F1分数上均可达约±5.4%。具体而言： * 性能最佳的传感器位置是S6，其次是S5和S2。这些传感器靠近房间内的加热或冷却源（S5还靠近受试者位置）。这表明，使用靠近热源/冷源的传感器数据训练的模型，预测性能更优。 * 性能最差的传感器位置是S3。该位置因固定在外墙上，受室外天气影响最大，因此是房间内最难被加热或冷却的区域，其数据可能包含更复杂的动态变化，导致基于此数据训练的模型预测能力较弱。
2. 推理传感器位置对模型性能的影响 这是本研究的核心发现。当使用不同于训练数据采集位置的传感器数据进行预测（即模型部署位置与训练数据采集位置不一致）时，模型性能普遍下降。 * 如图2所示，与使用训练传感器位置数据相比，使用其他推理传感器位置数据进行预测时，模型的准确率和F1分数平均分别降低了2.3%至10.6%以及2.2%至12.0%（在评估的49个场景中）。 * 模型对位置变化的敏感性不同：M2模型（基于S2位置训练）对推理传感器位置的变化最为敏感；而M7模型（基于六个位置的平均值S7训练）敏感性最低。这表明，使用房间内多个传感器的平均温湿度数据来训练模型，可以使模型对传感器位置的变化具有更好的鲁棒性。这一发现具有重要的实际意义，提示在实际应用中，若部署位置与训练位置不同，可能需要校准数据，或采用基于空间平均的模型。
3. 特征重要性与其他发现 * 特征重要性分析显示，对预测贡献最大的特征是空气温度和相对湿度，其次是情绪状态（效价、唤醒度）、种族和服装层数。情绪状态特征的加入，显著提升了模型的预测性能，准确率和F1分数可提高10.7%至21.1%。研究还发现，当模型不包含情绪状态特征时，传感器位置变化对模型性能的影响更大。 * 时间滞后分析：测试了使用当前时刻（t）、前5分钟（t-5）和前10分钟（t-10）的环境数据对模型性能的影响。平均而言，对于传感器S2和S3，使用t-5时刻的数据性能最好；而对于其他传感器位置（包括S7），使用当前时刻（t=0）的数据性能最佳。
四、 研究结论与意义
本研究通过受控实验和机器学习建模，首次系统性地量化并证明了传感器位置对居住者热舒适状态预测模型的性能存在显著影响。主要结论如下： 1. 训练数据来源的位置至关重要：选择不同的传感器位置来采集训练数据，会影响最终模型的性能，其准确率和F1分数的波动范围可达±5.4%。靠近热源/冷源的传感器位置可能提供更具代表性的数据，从而训练出性能更优的模型。 2. 模型部署位置与训练位置不一致会降低性能：当预测（推理）时所使用的传感器位置与训练时的位置不同时，模型性能会下降，最大降幅可达10%以上。这揭示了当前许多研究中忽视的一个实际部署风险。 3. 基于空间平均的模型更具鲁棒性：使用多个传感器位置的平均值（S7）进行训练所得的模型（M7），对不同推理传感器位置的变化最不敏感，表现出更强的鲁棒性。这为实际应用中减少位置敏感性提供了一种有效策略。 4. 情绪状态是重要预测因子：研究证实了情绪状态（效价与唤醒度）可以作为提升热舒适预测模型性能的有效特征。
科学价值与应用价值：本研究填补了热舒适预测领域关于传感器位置影响研究的空白，将研究视角从“用什么算法预测”拓展到“用哪里的数据预测”，强调了数据采集物理位置的重要性。其成果为未来相关实验的设计（如传感器布局策略）和实际智能建筑系统的部署（如如何选择传感器位置或如何进行数据融合以提高模型泛化能力）提供了直接的指导和建议，有助于开发出更可靠、更实用的个性化热舒适预测与控制系统。
五、 研究亮点
六、 局限性与未来工作
作者也指出了本研究的局限性：实验在特定配置的受控办公室环境中进行，受试者群体相对较小（29人）且人口特征不平衡（例如，年龄、地理来源），热舒适反馈被简化为三点尺度。这些因素限制了研究结论的普遍性。 未来工作将包括：在不同类型的空间（如开放式办公室、休息室、图书馆）和不同居住模式下进行更多实验；纳入更多样化、更大规模的参与者群体以提高结论的普适性；尝试使用其他强大算法（如人工神经网络ANN、支持向量机SVM）进行研究；以及使用Fanger的原始七点量表进行分析。这些后续研究将深化对传感器位置影响的理解，并为实际应用提供更精准的建议。