메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
이예린 (단국대학교) 윤영란 (단국대학교) 문현준 (단국대학교)
저널정보
대한건축학회 대한건축학회논문집 大韓建築學會論文集 第36卷 第11號(通卷 第385號)
발행연도
2020.11
수록면
239 - 245 (7page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
It is important to have detailed information on the number of occupants and their activities for appropriate building operation and control of HVAC systems. Indoor environment is affected by using thermal environmental devices, and the occupant’s activities as well. Thus, this study focuses on the classification of occupant’s activities using machine learning algorithms with indoor environmental data. We developed an occupant’s status detection model by seasons(summer, winter, summer and winter) using classification algorithms. Data collection was performed in a Smart Living Testbed. This study categorized occupant’s status into 7 activities; sleeping, resting, working, cooking, eating, exercising, or away. Two classification algorithms(KNN, Random Forest) were evaluated for the development of an occupant’s behavior classification model. For Random Forest model using summer data, the accuracy of the occupant behavior detection model was 95.96% and for KNN, the accuracy was 94.75%. For models using winter data, the accuracy of Random Forest model was 98.91% and KNN was 98.90%. When we used summer and winter data together for the classification models, the accuracies of both models were 97.82% for Random Forest and 97.16% for KNN, respectively. However, cooking and rest showed lower accuracies compared to other activities.
#재실자 행태 #재실자 행동 #건물 환경 데이터 #분류알고리즘 #기계학습 #Occupant status #Occupant activity #Environmental data #Classification #Machine Learning

목차

Abstract
1. 서론
2. 연구 방법
3. 연구결과
4. 결론
REFERENCES

참고문헌 (23)

참고문헌 신청
Ahmad, M. W., Mourshed, M., & Rezgui, Y. (2017). Trees vs Neurons: Comparison between Random Forest and ANN for high-resolution prediction of building energy consumption. Energy and Buildings, 147, 77-89. google schola Barthelmes, V. M., Li, R., Andersen, R. K., Bahnfleth, W., Corgnati, S. P., & Rode, C. (2018). Profiling occupant behaviour in Danish dwellings using time use survey data. Energy and Buildings, 177, 329-340. google schola Benezeth, Y., Laurent, H., Emile, B., & Rosenberger, C. (2011). Towards a sensor for detecting human presence and characterizing activity. Energy and Buildings, 43(2-3), 305-314. google schola Candanedo, L. M., & Feldheim, V. (2016). Accurate occupancy detection of an office room from light, temperature, humidity and CO2 measurements using statistical learning models. Energy and Buildings, 112, 28-39. google schola Chen, Z., Jiang, C., & Xie, L. (2018). Building occupancy estimation and detection: A review. Energy and Buildings, 169, 260-270. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

직류배전계통 연계용 ESS 모델링에 관한 연구
한준 ,  김두웅 ,  오윤식 외 4명 대한전기학회 학술대회 논문집 2014 .07
등가회로 모델링 구성에 따른 확장칼만필터(EKF) 기반 SOC 추정성능 비교분석
이현준 ,  박종후 ,  김종훈 전력전자학회 학술대회 논문집 2014 .11
Matlab을 이용한 PV 시스템의 해석 및 모델링
조문택 ,  송호빈 ,  백동현 외 3명 대한전기학회 학술대회 논문집 2010 .07
배터리 모델링 및 SOC 추정기법 비교 연구
장기욱 ,  김혁진 ,  정교범 전력전자학회 학술대회 논문집 2010 .07
리튬-이온 배터리팩의 전압안정화회로 설계
황호석 ,  남종하 ,  최진홍 외 2명 전력전자학회논문지 2004 .04

최근 본 자료

전체보기

댓글(0)

0