Para atender à necessidade crítica de previsão precisa do conforto térmico humano em ambientes de aquecimento durante o inverno, este estudo estabeleceu um conjunto de dados abrangente sobre conforto térmico contendo 2089 amostras válidas por meio de experimentos. Com base nisso, foram construídos modelos de previsão de conforto térmico usando três algoritmos de aprendizado de máquina multiclasse: Classificação de Vetores de Suporte, K-Vizinhos Mais Próximos e Floresta Aleatória. O desempenho preditivo de 63 diferentes combinações de recursos foi avaliado sistematicamente. Os resultados indicam que o subconjunto de recursos que compreende a temperatura do ar interno, a temperatura da testa, a temperatura das bochechas, a temperatura das mãos dorsais, a frequência cardíaca e a pressão arterial sistólica produz o melhor desempenho de predição. Entre os modelos avaliados, o modelo de Floresta Aleatória demonstrou desempenho geral superior, alcançando uma precisão superior a 90% e uma AUC variando de 96% a 99%, superando significativamente os modelos SVC e KNN. Em comparação com o modelo tradicional de Voto Médio Previsto (PMV), os modelos de aprendizado de máquina desenvolvidos neste estudo mostraram uma melhoria substancial na precisão da previsão em condições idênticas; notavelmente, o modelo de Floresta Aleatória melhorou a precisão em aproximadamente 40% em relação ao modelo PMV. Com base nessas descobertas, é proposto um framework de sistema de aquecimento inteligente que integra sensores ambientais, dispositivos vestíveis e válvulas de controle inteligentes, fornecendo uma base teórica e uma abordagem técnica para a realização de controle de aquecimento personalizado e energeticamente eficiente.
Wang et al. (Mon,) estudaram essa questão.