| 논문명 |
계절별 실내 환경 데이터 기반 재실자 행동 분류 모델 개발 / A Model for Classification of Occupant Behavior based on Building Environmental Data by Seasons |
| 저자명 |
이예린(Ye Rin Lee) ; 윤영란(Young Ran Yoon) ; 문현준(Hyeun Jun Moon) |
| 수록사항 |
대한건축학회논문집, Vol.36 No.11 (2020-11) |
| 주제어 |
재실자 행태; 재실자 행동; 건물 환경 데이터; 분류알고리즘; 기계학습 ; Occupant status; Occupant activity; Environmental data; Classification; Machine Learning |
| 요약1 |
HVAC 시스템의 적절한 건물 운영 및 제어를 위해 거주자의 수와 그 활동에 대한 자세한 정보를 갖는 것이 중요하다. 실내 환경은 기기 사용과 거주자의 활동에 영향을 받는다. 따라서 본 연구는 머신러닝 알고리즘을 이용한 거주자의 활동 분류를 목적으로 한다. 분류 알고리즘을 이용하여 계절별(여름, 겨울, 여름+겨울)별 재실자 행동 인지 모델을 개발하였다. 데이터 수집은 스마트 리빙 테스트베드에서 수행되었으며, 재실자의 상태를 수면, 휴식, 작업, 요리, 식사, 운동, 외출의 7가지 활동으로 분류하였다. 재실자의 행동 분류 모델 개발을 위해 두 가지 분류 알고리즘(KNN, Random Forest)을 사용하였다. 여름철 데이터를 이용한 랜덤 포레스트 모델의 경우, 모델의 정확도는 95.96%이며 KNN의 경우, 정확도가 94.75%로 나타났다. 겨울철 데이터를 이용한 모델의 경우 랜덤 포레스트 모델의 정확도는 98.91%, KNN은 98.90%로 나타났다. 여름철과 겨울철 데이터를 함께 사용했을 때, 두 모델의 정확도는 각각 랜덤 포레스트 97.82%, KNN 97.16%로 나타났다. 그러나 요리와 휴식은 다른 활동에 비해 정확도가 낮았다. |
| 요약2 |
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. |
