Occupants-centred Digital Twin model for enhancing indoor environmental quality
Rahma Khaled Hasan & Mohamed Marzouk
a Integrated Engineering Design Management Program, Faculty of Engineering, Cairo University, Giza, Egypt;
b Structural Engineering Department, Faculty of Engineering, Cairo University, Giza, Egypt
传统室内环境管理往往采用统一的环境参数，难以满足不同使用者的个性化舒适需求。本文提出以使用者为中心的数字孪生模型，将环境传感器数据、人员反馈、建筑信息模型和机器学习相结合，通过综合舒适度评分预测室内舒适程度，并利用微控制器实现边缘端实时推理。研究在埃及新开罗一栋办公楼开展案例验证，比较了极端梯度提升、随机森林回归和神经网络三种模型。其中，极端梯度提升模型的均方误差最低，为0.0021。研究表明，该框架能够支持室内舒适度监测、预测和主动管理，但其跨场景适用性仍需进一步验证。
建筑室内环境直接影响使用者的健康、舒适度和工作效率，而暖通空调和照明系统又是建筑运行阶段的重要能源消耗来源。传统热舒适模型通常基于群体平均值，难以充分反映不同人员在个人偏好、活动水平和环境感知方面的差异。现有数字孪生研究对使用者主观反馈、多维度舒适因素及实时自适应管理的整合也相对不足。
因此，本文旨在融合个人偏好、人员行为和客观环境数据，建立能够实时预测个体舒适度的数字孪生模型，并利用机器学习识别影响舒适度的关键因素，为建筑运行与维护阶段的环境优化提供支持。
研究提出的使用者中心数字孪生模型由四个模块构成：数据采集、数字孪生、数据分析和实时预测。
数据采集模块通过物联网传感器监测温度、湿度、照度、二氧化碳、挥发性有机物和噪声等环境指标，同时通过问卷收集使用者的热舒适、空气质量、视觉与听觉环境、工作效率、清洁度及个人活动等信息，以反映不同人员和空间区域的需求。
数字孪生模块使用Autodesk Revit建立建筑信息模型，并在Autodesk Tandem平台上构建数字孪生。系统将传感器、办公区域和人员位置关联起来，通过无线网络和数据接口持续接收环境数据，并利用仪表盘和热力图展示不同区域的环境状态及舒适度变化。
数据分析模块对环境数据和问卷结果进行清洗、编码与标准化处理，并通过特征工程和主成分分析构建使用者舒适度评分（OCS）。随后，系统训练并比较多种机器学习模型，选择预测效果较好的模型进行部署。
实时预测模块将训练完成的模型转换为适用于微控制器的程序，利用轻量化机器学习技术实现边缘端推理。当预测舒适度低于设定阈值时，系统生成环境调节建议，并通知设施管理团队。
3.1 数据采集与处理
研究选择埃及新开罗一栋办公楼的开放式办公区域作为案例，研究面积为390平方米，共有63名使用者。正式实验于2024年4月21日至5月2日的工作日开展，环境数据每15秒采集一次，使用者每天接受两次舒适度调查，以获取不同时间和环境条件下的反馈。
系统采用ESP32和ESP8266微控制器连接传感器与数字孪生平台，并部署环境监测设备、人员计数装置和桌下人员存在检测装置。通过结合客观环境测量与主观问卷，研究建立用于舒适度建模的数据集。
3.2 数字孪生模块
研究将办公空间划分为五个监测区域，划分依据包括空间位置、与建筑外立面的距离、暖通空调布局和人员密度。每个区域在建筑信息模型中对应独立空间，并配置环境监测设备。
研究还为使用者分配唯一标识，将问卷结果映射到相应的办公桌位置。借助参数化建筑模型和数字孪生平台，系统能够在三维空间中呈现个人舒适度及其变化，并同步显示传感器数据和区域环境状态。
3.3 使用者调查结果
对两周调查数据的分析显示，34%的参与者对室内环境感到中性，33%表示不满意，20%表示非常不满意。湿度、清洁度、空气流动和热舒适是报告中不满意程度较高的方面，而视觉舒适度和工作效率方面的评价相对较好。
这一结果说明，使用者对室内环境的感受并非仅由温度决定。综合考虑热环境、空气质量、照明、声环境及个人反馈，有助于更全面地评估室内舒适度。
3.4 物联网与数据传输
传感器数据通过无线网络和超文本传输协议传输至云端，微控制器负责连接传感器与网络服务。系统利用Node-RED处理数据通信，并将环境数据传入Autodesk Tandem平台，实现实时展示和历史数据存储，为后续分析与预测提供数据基础。
3.5 数据预处理与模型验证
研究首先处理缺失值、异常值和数据格式不一致等问题，并将问卷中的类别变量与舒适度评价转换为数值。随后对特征进行标准化，并采用主成分分析提取第一主成分，将其归一化至0至1之间，构建综合舒适度评分。其中，0代表极低舒适度，1代表最高报告舒适度。
该评分作为机器学习模型的预测目标。研究分别训练极端梯度提升、随机森林回归和神经网络模型，并通过参数调优和交叉验证评估预测性能。特征重要性分析显示，照度、湿度和室内空气温度是对舒适度预测贡献较大的因素。
三种模型的比较结果表明，极端梯度提升模型的均方误差最低，为0.0021；随机森林回归为0.0039，神经网络为0.0122。因此，研究选择极端梯度提升用于后续实时预测。
特征分析进一步表明，照度对综合舒适度预测的贡献最高，其次为湿度和室内空气温度。这说明视觉环境与热环境均会影响使用者的整体感受，仅关注温度可能忽略其他重要因素。
总体而言，该模型能够结合实时环境数据与使用者反馈，为设施管理人员持续提供舒适度信息，减少对人工问卷和事后投诉的依赖。不过，研究数据来自单一办公建筑，监测时间有限，仍需在不同建筑类型、气候条件和人员群体中开展验证。
研究将表现最佳的极端梯度提升模型转换为适用于ESP32微控制器的程序，实现边缘端实时预测。设备持续接收传感器数据并计算舒适度评分，当评分低于0.85时，系统通过数字孪生平台生成提醒，并向运行与维护团队发送环境调节建议。
研究利用历史传感器数据，将嵌入式模型的预测评分与相应的参考评分进行比较。验证结果显示，部署后的模型能够产生与模型开发阶段参考值一致的预测结果，说明该模型具备在微控制器上运行并支持实时舒适度预测的可行性。
需要注意的是，系统目前主要通过温度调节建议响应低舒适度评分，尚不能准确识别导致不适的具体环境因素，也没有实现与建筑暖通空调和照明系统的完整自主控制闭环。
本文提出一种以使用者为中心的数字孪生模型，将物联网、建筑信息模型、机器学习和边缘计算结合起来，实现多维度室内舒适度的实时预测与可视化管理。办公楼案例表明，极端梯度提升模型在所比较的三种方法中取得了最低预测误差，验证了该框架在当前场景中的可行性。
研究仍受到单一办公空间、短期监测数据和嵌入式计算资源的限制，且尚未评估大规模应用的经济可行性、数据隐私和网络安全。未来需要扩大不同季节、建筑类型和人员群体的数据覆盖，并进一步探索自动化环境控制、个体舒适因素识别及舒适度与能源表现之间的关系。
