![](https://iirr.vn/wp-content/uploads/2024/06/rsz_666962639c887.png)
![Dự đoán nhiệt độ trong nhà với các mô hình nhận biết ngữ cảnh trong tòa nhà dân cư Dự đoán nhiệt độ trong nhà với các mô hình nhận biết ngữ cảnh trong tòa nhà dân cư](https://iirr.vn/wp-content/uploads/2024/06/rsz_666962639c887.png)
Dự đoán nhiệt độ trong nhà với các mô hình nhận biết ngữ cảnh trong tòa nhà dân cư
Indoor temperature prediction with context-aware models in residential buildings
Tác giả | Sai Sushanth Varma Kalidindi
Hadi Banaee Hans Karlsson Amy Loutfi |
Ngày đăng tải | 24/08/2023 |
DOI | https://doi.org/10.1016/j.buildenv.2023.110772 |
Nguồn bài nghiên cứu | Science Direct |
Từ khóa | Tòa nhà dân cư
Dự đoán nhiệt độ trong nhà Mô hình nhận biết ngữ cảnh Bộ nhớ dài-ngắn hạn (LSTM) Mô hình biến đổi |
1 – GIỚI THIỆU
Bài viết này trình bày một phương pháp mới để dự đoán nhiệt độ trung bình trong nhà trong các tòa nhà dân cư, sử dụng các yếu tố ngữ cảnh về độ cao của tòa nhà và vị trí địa lý. Phương pháp đề xuất sử dụng các kiến trúc học sâu tiên tiến như Long Short-Term Memory (LSTM) và Transformers để tạo ra các mô hình dự đoán tổng quát áp dụng cho nhiều tòa nhà dân cư. Các mô hình được huấn luyện bằng cách sử dụng dữ liệu lịch sử từ 18 tòa nhà dân cư trong khoảng thời gian từ 6 đến 10 năm, nơi các tòa nhà nằm ở các vùng khí hậu khác nhau. Kiểm tra được thực hiện trên chín tập dữ liệu khác nhau đại diện cho ba vị trí khác nhau và ba loại tòa nhà khác nhau. Nghiên cứu cho thấy việc kết hợp ngữ cảnh của độ cao tòa nhà cải thiện đáng kể hiệu suất dự đoán của các mô hình. Cụ thể, các mô hình dựa trên transformer cho thấy sự cải thiện trong 𝑅2 từ 4% đến 27% trong khoảng dự đoán 6 giờ. Phương pháp đề xuất sử dụng thông tin ngữ cảnh một cách rõ ràng cải thiện đáng kể độ chính xác của dự đoán, làm cho các mô hình học được trở thành điểm khởi đầu tốt cho việc tối ưu hóa phân phối nhiệt trong khu vực.
2 – MÔ TẢ HỆ THỐNG
Hệ thống sử dụng các kiến trúc học sâu tiên tiến, đặc biệt là Bộ nhớ dài-ngắn hạn (Long Short-Term Memory – LSTM) và Transformers (Mô hình biến đổi), để dự đoán nhiệt độ trung bình trong nhà. Dữ liệu được thu thập từ 18 tòa nhà dân cư tại ba thành phố khác nhau ở Thụy Điển: Piteå, Stockholm, và Malmö. Hệ thống đo lường nhiệt độ trong nhà và ngoài trời theo khoảng thời gian 15 phút và tổng hợp dữ liệu này để tạo ra hai chuỗi thời gian: nhiệt độ trung bình trong nhà và nhiệt độ ngoài trời. Các mô hình dự đoán được huấn luyện với dữ liệu này để tối ưu hóa việc phân phối nhiệt.
3 – PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp nghiên cứu bao gồm việc thu thập dữ liệu từ các tòa nhà dân cư tại ba địa điểm khác nhau trong khoảng thời gian từ 6 đến 10 năm. Dữ liệu được chuẩn bị và tiền xử lý để phù hợp với các mô hình học sâu. Các mô hình LSTM và Transformer được phát triển và huấn luyện để dự đoán nhiệt độ trong nhà dựa trên các yếu tố ngữ cảnh như độ cao của tòa nhà và vị trí địa lý. Các mô hình được đánh giá bằng các chỉ số như Root Mean Square Error (RMSE), Mean Absolute Error (MAE), và Hệ số xác định (𝑅2).
4 – KẾT QUẢ NGHIÊN CỨU
Kết quả nghiên cứu cho thấy việc sử dụng ngữ cảnh về độ cao của tòa nhà và vị trí địa lý cải thiện đáng kể độ chính xác của các mô hình dự đoán nhiệt độ trong nhà. Các mô hình dựa trên Transformer có hiệu suất cao hơn so với các mô hình LSTM trong dự đoán dài hạn (6 giờ). Các mô hình sử dụng ngữ cảnh về độ cao của tòa nhà đạt 𝑅2 lớn hơn 0.94, cho thấy khả năng giải thích biến thiên dữ liệu tốt hơn. Kết quả cũng chỉ ra rằng mô hình Transformer có thể dự đoán chính xác hơn so với các mô hình học máy truyền thống như XGBoost và Random Forest.