オートエンコーダニューラルネットワークを用いた屋内環境データ時系列再構成【JST・京大機械翻訳】

Liguori Antonio; Markovic Romana; Dam Thi Thu Ha; Frisch Jerome; van Treeck Christoph; Causone Francesco

プレプリント

J-GLOBAL ID：202202201080207450 整理番号：21P0049316

オートエンコーダニューラルネットワークを用いた屋内環境データ時系列再構成【JST・京大機械翻訳】

Indoor environment data time-series reconstruction using autoencoder neural networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年09月17日プレプリントサーバーでの情報更新日： 2021年01月21日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

建築物におけるインストールメートルの数が増加するので,建築操作をサポートし最適化するためのデータ駆動モデルを開発するために使用できるデータ時系列が増えている。しかし,建築データセットは,しばしば誤差と欠測値によって特性化され,これは,提案モデルの性能に関する主な制限要因の中で,最近の研究によって考慮されている。建築操作における欠測データの問題に対処する必要性に動機づけられて,本研究はこれらのギャップを埋めるためのデータ駆動方式を提示する。本研究では,ドイツ,アチェンの事務所建築で収集されたデータセットにおける不足短期屋内環境データ時系列を再構成するために,3つの異なる自動エンコーダニューラルネットワークを訓練した。これは,2014年~2017年の4年間のモニタリングキャンペーンから,84の異なる部屋で構成された。モデルは,屋内空気温度,相対湿度およびCO_2データストリームのような室内自動化から得られた異なる時系列に適用できる。結果は,提案方法が古典的数値手法より優れ,それらはそれぞれ0.42{deg}C,1.30%および78.41ppmの平均RMSEsで対応する変数を再構成する結果となることを証明した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , ニューロコンピュータ

, ,

前のページに戻る