Data-driven window opening detection and occupancy status estimation : pipeline optimization

The present thesis is focused on proposing, implementing, and optimizing machine learning (ML) based pipelines for detecting the window opening and estimating the occupancy status. The first part of the thesis is dedicated to ML-based occupancy estimation using indirect measurements (relative humidity, and temperature). Two different datasets, which include the occupancy ground truth and indoor measurements for an office and a residential building, are employed for training, optimization, and validation of the pipelines. The second part is instead focused on developing ML-based pipelines for estimating the (opening) status of the window using the residential building’s dataset that also includes the window status ground-truth. The implemented pipeline optimization procedure includes the feature selection and algorithm optimization steps to find the key features and the most promising algorithm that results in the highest classification accuracy. For the case study of the office room, it is shown that the proposed optimal pipelines can estimate the occupancy status with an accuracy of 95.2%, while being supplied by the indoor temperature and relative humidity and seasonality-related parameters as input features (which is higher than the accuracy of 92.9% that was obtained in a previous study). A similar pipeline is then utilized for the residential building’s case study, while being provided also by the outdoor temperature and relative humidity as additional inputs, obtaining an occupancy estimation accuracy of 96.3%. Finally, the developed ML model for window opening detection, provided by the indoor and the outdoor variables, is shown to be capable of estimating the status of the window with an accuracy of 99.4%. Therefore, the obtained optimal pipelines are demonstrated to be reliable tools to be employed in the framework of occupancy-driven HVAC control and can also help obtain a more accurate estimation of the infiltration and the required ventilation rates.

La presente tesi è incentrata sulla proposta, l'implementazione e l'ottimizzazione di pipeline basate sul machine learning (ML) per il rilevamento dell'apertura delle finestre e la stima dello stato di occupazione. La prima parte della tesi è dedicata alla stima dell'occupazione basata su ML utilizzando misure indirette (umidità relativa e temperatura). Due diversi dataset, che includono la ground truth dell'occupazione e le misurazioni indoor per un ufficio e un edificio residenziale, sono impiegati per il training, l'ottimizzazione e la validazione delle pipeline. La seconda parte è invece focalizzata sullo sviluppo di pipeline basate su ML per la stima dello stato (di apertura) della finestra utilizzando il dataset dell'edificio residenziale che include anche la ground-truth dello stato della finestra. La procedura di ottimizzazione della pipeline implementata include la selezione delle caratteristiche e le fasi di ottimizzazione dell'algoritmo per trovare le caratteristiche chiave e l'algoritmo più promettente che risulta nella più alta accuratezza di classificazione. Per il caso di studio della stanza dell'ufficio, è dimostrato che la pipeline ottimale proposta può stimare lo stato di occupazione con un'accuratezza del 95,2%, mentre è alimentata dalla temperatura interna e dall'umidità relativa e dai parametri legati alla stagionalità come parametri di input (che è superiore all'accuratezza del 92,9% che è stata ottenuta in uno studio precedente). Una pipeline simile viene poi utilizzata per il caso studio dell'edificio residenziale, mentre viene fornita anche dalla temperatura esterna e dall'umidità relativa come input aggiuntivi, ottenendo una precisione di stima dell'occupazione del 96,3%. Infine, il modello ML sviluppato per il rilevamento dell'apertura delle finestre, fornito dalle variabili interne ed esterne, si dimostra capace di stimare lo stato della finestra con una precisione del 99,4%. Pertanto, le pipeline ottimali ottenute hanno dimostrato di essere strumenti affidabili da impiegare nel quadro del controllo HVAC guidato dall'occupazione e possono anche aiutare a ottenere una stima più accurata dell'infiltrazione e dei tassi di ventilazione richiesti.