जूते में तापमान और आर्द्रता को बनाए रखना और नियंत्रित करना महत्वपूर्ण है, विशेषकर उन वातावरणों में जहां तापमान और नमी में उतार-चढ़ाव उपयोगकर्ता अनुभव को प्रभावित करती है। इन मानकों का सही अनुमान उचित सामग्री का चयन करने में महत्वपूर्ण है, जिससे जूते की दक्षता और आराम में सुधार होता है। यह अध्ययन विभिन्न प्रकार के जूतों के अंदर तापमान और आर्द्रता के पूर्वानुमान के लिए गहरे सीखने के मॉडलों (पुनरावृत्त तंत्रिका नेटवर्क, लघु दीर्घकालिक मेमोरी (LSTM), द्विदिशात्मक LSTM, DeepAR, और हाइब्रिड मॉडल (Cay, Vassiliadis इत्यादि)) की तुलना का प्रस्ताव करता है, जो बहु-संवेदक डेटा पर आधारित है। एक पैर का मॉडल जो मानव पैर की वास्तविक तापमान और पसीने की प्रक्रिया की नकल करता है, का उपयोग किया गया, और जूतों के विभिन्न बिंदुओं से संवेदक रीडिंग ली गई। गहरे सीखने के मॉडलों की प्रदर्शन का मूल्यांकन चार मुख्य मेट्रिक्स का उपयोग करके किया गया: औसत निरंकुश त्रुटि, वर्गमूल औसत त्रुटि, व्याख्यायित विविधता स्कोर, और औसत निरंकुश प्रतिशत त्रुटि। निष्कर्ष बताते हैं कि हाइब्रिड मॉडल अन्य मॉडलों की तुलना में सर्वश्रेष्ठ भविष्यवाणी सटीकता प्राप्त करता है और सभी परीक्षण किए गए जूते की स्थितियों में सबसे अधिक प्रेडेक्टिव परफॉर्मेंस करता है। यह शोध जूते की जलवायु नियंत्रण के लिए कृत्रिम बुद्धिमत्ता आधारित पूर्वानुमान मॉडलिंग के विकास में योगदान देता है, पहनने योग्य प्रौद्योगिकियों और स्मार्ट-निर्माण अनुप्रयोगों में थर्मोफिजियोलॉजिकल आराम निर्धारित करने के लिए एक ठोस दृष्टिकोण प्रदान करता है।
Yardimci et al. (Mon,) ने इस प्रश्न का अध्ययन किया।