将LDA聚类与基于自动编码器的迁移学习相结合，用于热舒适度预测

《BUILDING AND ENVIRONMENT》：Integrating LDA Clustering and Autoencoder-based Transfer Learning for Thermal Comfort Prediction

热舒适度预测研究提出融合主题建模与深度学习的集成方法，利用ASHRAE大数据集和实验数据通过LDA聚类挖掘潜在主题，结合自动编码器进行跨数据集特征迁移，构建集成分类模型并验证其优于传统基线模型。

　　

作者：Atiye Soleimanijavid, Iason Konstantzos

Nebraska大学林肯分校建筑工程与施工学院

摘要

理解和预测室内热舒适度对于居住者的健康和建筑物的能源高效运行至关重要。然而，个性化舒适度模型需要长时间的高质量数据，这在实际应用中面临重大挑战。本研究提出了一种综合方法，结合了主题建模和深度学习来提升个人热感觉的预测能力。该方法利用了庞大的ASHRAE全球热舒适度数据库II以及一个较小的实验数据集，将公共数据集中的知识转移到个人热舒适度模型中，以提高预测精度。通过潜在狄利克雷分配（LDA）算法将热感觉数据聚类成潜在主题，从而识别不同个体数据中的模式。随后在公共数据集的特征上训练自动编码器以提取深层表示，并将其应用于个人热感觉预测模型。最终构建了一个集成分类模型，并将其性能与基于实验数据的基线模型进行了比较。结果表明，改进后的集成模型在准确性、精确度、召回率和F1分数方面均优于基线模型。这种综合方法证明了结合公共数据集的聚类和特征转移在个性化热舒适度预测中的有效性，为构建更可靠和适应性强的个人舒适度模型奠定了基础。

章节摘录

引言与文献综述

实现最佳的室内舒适条件在很大程度上取决于对居住者热感觉和偏好的理解。由于缺乏这些信息，通常采用预先设定的标准温度控制点，这无法确保舒适度。Fanger提出的预测平均投票（PMV）模型是一个成熟的预测热舒适度的框架，它利用了四个环境变量（空气温度、空气流速、平均辐射温度和相对湿度）。

方法论

在本研究中，我们通过整合三种关键技术来开发了一个改进的热舒适度预测模型：(i) 使用LDA对热感觉数据进行聚类；(ii) 使用自动编码器进行特征提取和迁移学习。该方法采用集成分类框架将这些组件结合起来，用于个人热感觉预测模型。该模型应用于从受控实验[36]和公共数据集中收集的个人热舒适度数据。

LDA聚类

热感觉预测过程包括使用LDA识别ASHRAE数据集中的相似模式。为了确定LDA的最佳主题数量，计算了用于衡量主题语义连贯性的连贯性得分。图4展示了从5到50个主题数量范围内的连贯性得分，其中10个主题时获得了最高的连贯性得分，表明这一主题数量为我们的分析提供了最佳的语义连贯性。

结论

本研究提出了一种新的方法论框架，旨在通过结合基于LDA的聚类和自动编码器驱动的迁移学习来应对个人热舒适度建模中的数据稀缺问题。本研究的主要贡献在于展示了LDA框架能够揭示热舒适度数据中的潜在主题，并识别目标个体与大型数据集之间的相似模式，确保知识转移具有适当的上下文相关性。自动编码器在数据转换中发挥了关键作用。

CRediT作者贡献声明

Atiye Soleimanijavid： 负责撰写初稿、方法论部分、数据分析、数据整理。 Iason Konstantzos： 负责审稿与编辑、项目监督、资源协调、项目管理和资金争取。