文献

J-GLOBAL ID：202202265720189623   整理番号：22A0564743

熱的快適性研究における機械学習の応用:方法,性能および挑戦のレビュー【JST・京大機械翻訳】

Application of machine learning in thermal comfort studies: A review of methods, performance and challenges

著者 (3件)： Qavidel Fard Zahra (Faculty of Architecture and Urban Planning, Shahid Beheshti University, Tehran, Iran) ,  Zomorodian Zahra Sadat (Faculty of Architecture and Urban Planning, Shahid Beheshti University, Tehran, Iran) ,  Korsavi Sepideh Sadat (Department of Built Environment, University of Plymouth, Drake Circus, Plymouth, Devon, UK)
資料名： Energy and Buildings  (Energy and Buildings)
巻： 256  ページ： Null  発行年： 2022年 
JST資料番号： A0199A  ISSN： 0378-7788  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本論文では,最新の方法と知見を強調し,将来の研究のための課題を提供するために,熱的快適性研究における機械学習(ML)の適用に関する系統的レビューを提供した。ML応用,パラメータ,方法,性能および課題を強調するために,レビューされた研究を調査した。結果は,レビューされた研究の62%がグループベースの快適性モデルの開発に焦点を合わせ,一方,35%が個人差を説明する個人の快適性モデル(PCMs)に焦点を合わせ,高い予測精度を示した。MLモデルはPMVを凌駕し,最大35.9%と31%の高精度で,PCMsはPMVモデルを凌駕し,最大74%の高精度でPMVモデルを凌駕できた。MLベース制御スキーマの適用は,建物における熱的快適性関連エネルギー消費を58.5%まで削減し,一方,屋内品質を90%まで改善し,CO_2レベルを24%まで削減した。生理学的パラメータの使用は,PCMの予測精度を97%まで改善した。将来の研究は,PCMsをさらに調査するために推奨され,最適サンプルサイズを決定し,モデル評価のためのフィッティングと誤差計量の両方を考慮する。本研究は,熱快適性研究におけるMLの適用における残留課題として,データ収集,熱的快適性指標,時間スケール,サンプルサイズ,特徴選択,モデル選択,および実世界応用を紹介した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *快適性 ,  特徴選択 ,  モデル ,  エネルギー消費 ,  データ収集 ,  *機械学習 ,  システマティックレビュー ,  *熱的快適性
準シソーラス用語： 個人差 ,  予測精度 ,  モデル選択 ,  高精度 ,  モデル評価 , 【Automatic Indexing@JST】

著者キーワード (6件)： 熱的快適性 ,  機械学習 ,  グループベースモデル ,  パーソナル快適性モデル ,  性能 ,  予測精度

分類 (1件)： 建築環境一般  (RB02010T)

タイトルに関連する用語 (5件)： 熱的快適性 ,  研究 ,  機械学習 ,  応用 ,  レビュー