У меня есть датчик углекислого газа MH-Z14, и я использую его, чтобы попытаться определить, когда в комнате может понадобиться свежий воздух. Но я также заметил, что показания датчика резко возрастают, когда в комнате присутствует человек, особенно если он находится близко к самому датчику.
Мне интересно, пытался ли кто-нибудь использовать текущее значение CO2 в комнате, чтобы определить приблизительное количество людей в комнате, и насколько это возможно и точно?
Комментарий @ jsotola (что-то вроде: «Похоже, что-то, что может сделать машинное обучение»), возможно, является правильным ответом, но я его немного расширю.
Это будет зависеть как минимум от следующих факторов:
Я использовал данные от датчика CO 2 , чтобы приблизительно оценить занятость комнаты в прошлом для одной комнаты, я не заканчивал тем, что шел по пути машинного обучения в то время, скорее, используя такие вещи, как скорость изменения CO 2, чтобы дать индикатор (чем больше людей, тем быстрее растет значение). Но если бы я делал это снова, я, вероятно, начал бы собирать данные для использования в качестве учебного материала.
Может также стоить объединить данные с другим датчиком, например, с датчиком относительной влажности, поскольку он также может увеличиться в одно и то же время.
Похоже, что некоторые исследования уже были проведены по этому вопросу - Опознавание по доверенности: обнаружение занятости на основе концентрации CO 2 в помещении описывает модель, разработанную в Калифорнийском университете в Беркли для определения занятости на основе концентрации CO 2 .
Мы предлагаем модель связи, которая связывает измерения прокси с неизвестными скоростями излучения человека на основе модели, управляемой данными, которая состоит из связанной системы дифференциальных уравнений в частных производных (PDE) - обыкновенного дифференциального уравнения (ODE).
Их модель, по-видимому, более точна, чем другие модели машинного обучения, которые они тестировали:
Логический вывод о количестве людей в комнате, основанный на измерениях CO2 на каналах возврата воздуха и подачи воздуха путем измерения по доверенности, превосходит ряд алгоритмов машинного обучения и достигает общей среднеквадратичной ошибки 0,6569 (дробное число), в то время как Лучшая альтернатива по Байесу - 1,2061 (дробная часть).
Алгоритм 1 (стр. 3), приведенный в статье, может дать некоторое представление о том, как реализовать систему, аналогичную их, что кажется удивительно надежным, учитывая упрощенную природу датчика CO 2 .