Оценка параметров внутреннего воздуха (CO2, температура, влажность) как индикаторов заполняемости помещения людьми
DOI: 10.17586/1606-4313-2026-25-2-3-11
УДК 697.97-5
Рогаль И. О., Никитин А. А., Муравейников С.С. ,
Кропис Ю. Н., Никитина В. А.
Ключевые слова: заполняемость помещений людьми, детекция присутствия людей в помещении, нейронные сети, параметры внутреннего воздуха, CO2, энергоэффективность, машинное обучение.
УДК 697.97-5
Оценка параметров внутреннего воздуха (CO2, температура, влажность) как индикаторов заполняемости помещения людьми
Ссылка для цитирования: Рогаль И.О., Никитин А.А., Муравейников С.С., Кропис Ю.Н., Никитина В.А. Оценка параметров внутреннего воздуха (CO2, температура, влажность) как индикаторов заполняемости помещения людьми. // Вестник Международной академии холода. 2026. № 2. С. 3-11. DOI: 10.17586/1606-4313-2026-25-2-3-11 [Rogal I.O., Nikitin A.A., Muraveinikov S.S., Kropis Yu.N., Nikitina V.A. Indoor air parameters (CO₂, temperature, and humidity) as indicators of room occupancy. Journal of International Academy of Refrigeration. 2026. No 2. p. 3-11. DOI: 10.17586/1606-4313-2026-25-2-3-11 (in Russian)]
Аннотация
В работе рассматривается задача определения численности людей в помещениях на основе параметров внутреннего воздуха, таких как концентрация CO₂, температура и относительная влажность. Особое внимание уделено использованию модели многослойного перцептрона (MLP) в качестве одного из возможных нейросетевых решений. Актуальность темы обусловлена стремлением к повышению энергоэффективности вентиляционных систем в современных зданиях путем адаптации их работы к реальной загрузке помещений. В рамках исследования проведен сравнительный анализ существующих подходов к оценке присутствия: прямых (датчики движения, системы видеонаблюдения), алгоритмических (модели на основе фильтрации сигналов и эмпирических зависимостей) и методов машинного обучения, включая нейронные сети. Установлено, что традиционные алгоритмы демонстрируют ограниченную точность в условиях изменчивой среды и неполных данных, тогда как нейросетевые архитектуры более устойчивы к шуму и способны моделировать сложные нелинейные зависимости. Проведено исследование применения нейросетевой модели многослойного перцептрона для оценки занятости помещений людьми по измеряемым параметрам внутреннего воздуха: температуре, CO₂ и влажности. Для обучения модели использованы данные датчиков с указанными признаками, взятые из открытого набора данных; целевая переменная – индикатор занятости помещения людьми (занято/пусто). Результаты экспериментов подтвердили работоспособность предложенного подхода: MLP-модель обеспечила высокую точность классификации (>85%). В перспективе планируется использование более сложных архитектур глубинного обучения (например, сверточных нейронных сетей, CNN) для дальнейшего повышения качества модели.
Аннотация
В работе рассматривается задача определения численности людей в помещениях на основе параметров внутреннего воздуха, таких как концентрация CO₂, температура и относительная влажность. Особое внимание уделено использованию модели многослойного перцептрона (MLP) в качестве одного из возможных нейросетевых решений. Актуальность темы обусловлена стремлением к повышению энергоэффективности вентиляционных систем в современных зданиях путем адаптации их работы к реальной загрузке помещений. В рамках исследования проведен сравнительный анализ существующих подходов к оценке присутствия: прямых (датчики движения, системы видеонаблюдения), алгоритмических (модели на основе фильтрации сигналов и эмпирических зависимостей) и методов машинного обучения, включая нейронные сети. Установлено, что традиционные алгоритмы демонстрируют ограниченную точность в условиях изменчивой среды и неполных данных, тогда как нейросетевые архитектуры более устойчивы к шуму и способны моделировать сложные нелинейные зависимости. Проведено исследование применения нейросетевой модели многослойного перцептрона для оценки занятости помещений людьми по измеряемым параметрам внутреннего воздуха: температуре, CO₂ и влажности. Для обучения модели использованы данные датчиков с указанными признаками, взятые из открытого набора данных; целевая переменная – индикатор занятости помещения людьми (занято/пусто). Результаты экспериментов подтвердили работоспособность предложенного подхода: MLP-модель обеспечила высокую точность классификации (>85%). В перспективе планируется использование более сложных архитектур глубинного обучения (например, сверточных нейронных сетей, CNN) для дальнейшего повышения качества модели.
Ключевые слова: заполняемость помещений людьми, детекция присутствия людей в помещении, нейронные сети, параметры внутреннего воздуха, CO2, энергоэффективность, машинное обучение.
English
Русский
