A methodology to generate stochastic and heterogeneous urban occupancy profiles to support large-scale building performance simulation

This thesis presents a novel framework for generating stochastic and heterogeneous occupancy data to support Urban Building Energy Modelling (UBEM). Current UBEM practices typically rely on static, deterministic occupancy schedules differentiated per building use type, which fail to capture the spatial, temporal, and socio-demographic diversity of real-world occupancy. To address these limitations, this study leverages open-source Italian Time Use Survey (TUS) data to extract representative daily occupancy patterns of buildings and urban spaces through a two-stage unsupervised clustering process. A total of 91 clusters were identified across five Italian regions and three-day types (weekday, Saturday, Sunday), offering unprecedented granularity. These occupancy patterns capture time-dependent presence across a wide range of urban locations, including residential and non-residential buildings, transport environments, and outdoor public spaces, thus enabling a comprehensive characterisation of urban occupancy dynamics. Cluster analysis revealed that weekday occupancy is primarily driven by employment and student status, while weekend routines are more flexible and weakly associated with socio-demographic traits. Despite regional differences, occupancy patterns were largely consistent across the country, with home-based routines emerging as the most common behaviour. The identified clusters serve as the foundation for a stochastic model based on a time-inhomogeneous first-order Markov Chain, capable of generating high-resolution occupancy profiles at 10-minute intervals. These profiles represent the urban trajectories of synthetic individuals across multiple locations and are fully customisable in both number and duration. Moreover, since most of the existing UBEM platforms operate on space-based, aggregated schedules, this methodology also includes a dedicated conversion procedure to translate person-based profiles into space-based occupancy schedules. This involves aggregating individual presence data by building type and time step, normalising it into fractional occupancy values. This step is essential for enabling the integration of detailed, stochastic occupancy into building simulation workflows. The methodology is tested in a mixed-use district in Northeast Milan, using Urban Modeling Interface (umi) simulation platform. Person-based occupancy profiles are generated for 1,604 synthetic individuals based on the local socio-demographic structure and adapted into space-based schedules compatible with umi. Simulations compare outputs using standard deterministic versus stochastic occupancy schedules under three different settings: free-floating (no HVAC), ideal heating and cooling systems, and realistic heating systems (no real cooling system data were available, thus cooling is not included in this scenario). Results show that the introduction of stochastic schedules leads to lower average indoor temperatures and increased variability, with hourly temperature differences ranging from –4.2 °C to +5.1 °C. Under ideal conditions, annual heating energy needs increase by 9.6% and cooling needs decrease by 5.9%; instead, for the realistic heating systems simulation, annual heating use increases by 10.4%, with the largest relative differences observed in transitional months. These results confirm the critical impact of occupancy representation on energy simulation outcomes. The proposed framework demonstrates value in contexts lacking direct occupancy data, offering a scalable and replicable methodology for generating realistic schedules

Questa tesi presenta un framework innovativo per la generazione di dati stocastici ed eterogenei sull’occupazione, a supporto della modellazione energetica urbana degli edifici (Urban Building Energy Modelling, UBEM). I modelli UBEM attualmente in uso si basano principalmente su profili di occupazione statici e deterministici, distinti per tipologia d’uso dell’edificio, che non riescono a rappresentare adeguatamente la variabilità spaziale, temporale e socio-demografica dell’occupazione reale. Per superare questi limiti, lo studio utilizza i dati open-source dell’Indagine sull’Uso del Tempo (Time Use Survey, TUS) italiana per estrarre pattern giornalieri rappresentativi dell’occupazione da parte della popolazione di edifici e spazi urbani, attraverso un processo di clustering non supervisionato articolato in due fasi. Sono stati identificati 91 cluster distinti, distribuiti su cinque regioni italiane e tre tipologie di giorno (feriale, sabato, domenica), offrendo un livello di dettaglio senza precedenti. I pattern risultanti descrivono la presenza temporale in una vasta gamma di contesti urbani, inclusi edifici residenziali e non residenziali, ambienti di trasporto e spazi pubblici all’aperto, permettendo una caratterizzazione completa delle dinamiche di occupazione urbana. L’analisi ha evidenziato come, nei giorni feriali, l’occupazione sia principalmente influenzata dalla condizione lavorativa o di studio, mentre nei fine settimana le routine risultino più flessibili e meno legate a fattori socio-demografici. Nonostante alcune differenze regionali, i pattern di occupazione si sono dimostrati ampiamente coerenti a livello nazionale, con una prevalenza di comportamenti centrati sulla sfera domestica. I cluster identificati costituiscono la base per un modello stocastico basato su una catena di Markov di primo ordine a tempo non omogeneo, in grado di generare profili di occupazione ad alta risoluzione con intervalli di 10 minuti. Tali profili rappresentano le traiettorie urbane di individui sintetici attraverso molteplici località e sono completamente personalizzabili in termini di numerosità e durata. Poiché la maggior parte delle piattaforme UBEM opera con profili aggregati su base spaziale, la metodologia include anche una procedura di conversione per trasformare i profili individuali in profili di occupazione spazialmente aggregati. Questo processo prevede l’aggregazione della presenza individuale per tipologia di edificio e intervallo temporale, seguita dalla normalizzazione in valori frazionari di occupazione. Tale passaggio è essenziale per integrare profili stocastici dettagliati nei flussi di simulazione energetica degli edifici. La metodologia è stata testata in un caso studio situato nella zona nord-est di Milano, utilizzando la piattaforma di simulazione Urban Modeling Interface (umi). Sono stati generati profili di occupazione per 1604 individui sintetici, basati sulla struttura socio-demografica locale e adattati in profili aggregati compatibili con umi. Le simulazioni hanno confrontato i risultati ottenuti utilizzando profili deterministici standard e profili stocastici in tre scenari differenti: regime libero (assenza di HVAC), sistemi ideali di riscaldamento e raffrescamento, e sistemi reali di riscaldamento (in assenza di dati reali sul raffrescamento, quest’ultimo non è stato incluso). I risultati mostrano che l’introduzione di profili stocastici comporta una riduzione della temperatura interna media e un aumento della variabilità, con differenze orarie comprese tra –4,2 °C e +5,1 °C. In condizioni ideali, il fabbisogno annuo di riscaldamento aumenta del 9,6% mentre quello di raffrescamento si riduce del 5,9%; con sistemi di riscaldamento realistici, il consumo annuo cresce del 10,4%, con le maggiori variazioni osservate nei mesi autunnali. Tali risultati confermano l’impatto critico della rappresentazione dell’occupazione sugli esiti delle simulazioni energetiche. Il framework proposto si dimostra particolarmente utile in contesti privi di dati diretti sull’occupazione, offrendo una metodologia scalabile, replicabile e adattabile per la generazione di profili realistici da integrare nei modelli energetici urbani.