基于机器学习的热舒适投票预测.pdf

基于机器学习的热舒适投票 预测

详情：以某大型商场作为调研场所，对商场内空气状态参数、空气品质参数、光环境参数、声环境参数进行实测，对受试者个人参数进行实测调研。运用机器学习算法 ( 决策树、逻辑回归、支持向量机、随机森林 ) 建立热舒适投票预测模型，对单输入参数、多输入参数对预测模型预测性能影响进行分析。将预期平均评价模型参数作为单输入参数时， 4 种预测模型的预测精度均不理想，预测结果决定系数变化范围为 0.43 ～ 0.54, 波动比较大。最好成绩是决策树预测模型在空气相对湿度作为单输入参数时。与其他单输入参数相比，空气温度、空气相对湿度作为单输入参数时， 4 种预测模型的预测性能比较好。当空气流速、活动代谢率作为单输入参数时， 4 种预测模型的预测性能比较差。与单输入参数相比，以预期平均评价模型参数作为多输入参数时，预测模型的预测性能并未得到有效提升。将输入参数扩大至所有调研参数后， 4 种预测模型的预测性能均有所提高。空气状态参数、个人参数、空气品质参数的输入参数组合可以提升预测模型对热舒适投票的预测性能。

关键词：机器学习；热舒适投票；预测；输入参数

部分内容如下：

多输入参数数量为

以预期平均评价模型参数作为单输入参数时

调研参数分类