[发明专利]一种个人热舒适预测方法及系统

说明书

本发明公开了一种个人热舒适预测方法及系统，属于人工智能与建筑能量管理交叉技术领域，方法包括：获取环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据并将其划分成支撑集和查询集；将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级；本发明方法支持小样本学习，具有低计算复杂度和高预测精度等优势。

技术领域

本发明涉及一种个人热舒适预测方法及系统，属于人工智能与建筑能量管理交叉技术领域。

背景技术

建筑能耗占一个国家能耗的比例约为30％-40％。在建筑能耗中，暖通空调系统的能耗占40％左右。其中：暖通空调系统的目的是为室内用户创造舒适、健康的空间，进而提升用户工作效率、生活质量等；然而，目前大多数暖通空调系统的运行采用开环模式，即用户热舒适状态不在整个暖通空调系统的控制闭环中；理想的情况是暖通空调系统能够实时感知用户热舒适程度并动态调节自身温度设置点，进而实现热舒适性的提升和能源浪费的降低。

为了应对这些挑战，现有研究提出了许多热舒适建模方法；传统的热舒适模型，如预测平均投票(Predicted Mean Vote,PMV)模型和自适应模型已被广泛采用；虽然这些模型具有一定的优势，但依然存在如下不足：(1)实现PMV模型需要知晓全部输入变量，而获取部分变量的值较为困难或代价较高；(2)由于这些模型本身是用来预测群体的平均热舒适度，即使能准确获得所有输入变量的值，这些模型应用到个体时依然表现出较差的预测性能；(3)这些模型不能通过学习调整自身，无法基于用户反馈和新环境下的现场收集数据对模型参数进行更新；(4)这些模型不允许修改各自输入变量集合，不能纳入可能与用户热舒适相关联的其他变量，进而降低了提升预测精度的潜力。

随着物联网穿戴设备的出现、云计算的引入和机器学习的快速发展，热舒适建模的发展进入了一个新的阶段；具体而言，穿戴设备在跟踪用户个人生理信号(如代谢率、心跳次数和皮肤温度)上带来了极大的便利，这些个人生理信号可以帮助实现在线个人热舒适建模；云计算、深度学习对收集到的个人生理数据进行处理，对获取用户个人热舒适反馈数据提供了帮助；基于上述技术，许多个人热舒适建模的方法被提出，具体包括：逻辑回归(Logistic Regression)、朴素贝叶斯(Naive Bayes)、K近邻(k-Nearest Neighbor)、决策树(Decision Tree)、支持向量机(Support Vector Classification)等；这些基于机器学习的个人热舒适模型具有“自学习”和“自校正”的功能，相比较传统的热舒适模型(PMV模型、自适应模型)在预测精度上有所提升，但仍存在一些不足：(1)需要在建模前获得大量数据，不符合实际应用场景；(2)更新模型以适应个体热舒适偏好随环境动态变化的时间和空间复杂度较高。

发明内容

本发明的目的在于提供一种个人热舒适预测方法及系统，支持小样本学习，具有较强的实用性，计算复杂度低，提高预测精度。

为实现以上目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种个人热舒适预测方法，包括：

获取环境数据、个人生理数据、个人面部热成像和个人热舒适反馈数据并将其划分成支撑集和查询集；

将支撑集和查询集的数据输入到预训练好的深度神经网络中，得到个人热舒适等级；

所述深度神经网络进行训练的方法包括：

获取支撑集和查询集的数据；

将支撑集和查询集的数据输入到深度神经网络中的嵌入模块，得到类特征映射和查询特征映射；

将类特征映射和查询特征映射输入到深度神经网络中的交叉注意力模块，得到类特征对和查询特征对；

将类特征对和查询特征对输入到深度神经网络中的分类模块，得到个人热舒适等级，并更新深度神经网络；