Les modèles Personal Thermal Comfort considèrent les commentaires personnels des utilisateurs comme une valeur cible. Le développement croissant des dispositifs «intelligents» intégrés suivant le concept de l’Internet des objets et des algorithmes de traitement des données basés sur les techniques de Machine Learning permet de développer des cadres prometteurs pour atteindre le meilleur niveau de confort thermique intérieur le plus proche des besoins réels des utilisateurs.
L’article examine le potentiel d’une nouvelle approche visant à évaluer l’effet des stimuli visuels sur la perception du confort thermique personnel à travers une comparaison des commentaires de 25 participants exposés à un scénario réel dans une cellule de test et au même environnement reproduit dans la réalité virtuelle. Les données biométriques et les commentaires des utilisateurs sur leur perception thermique ainsi que les paramètres environnementaux sont collectés dans un ensemble de données et gérés avec différentes techniques d’apprentissage automatique.
L’algorithme le plus approprié, parmi ceux sélectionnés, et les variables influentes pour prédire la perception du confort thermique personnel sont identifiés. Le classificateur Extra Trees est apparu comme l’algorithme le plus utile dans ce cas spécifique. Dans les scénarios réels et virtuels, les variables les plus importantes qui permettent de prédire la valeur cible sont identifiées avec une précision moyenne supérieure à 0,99
Serveur web : https://www.mdpi.com/1424-8220/20/6/1627
Date : 14/03/2020