70 likes | 182 Views
計畫 & 行程. Presenter : Min- chia Chang Advisor : Prof. Jane Hsu Date : 201 1 - 01 - 08. 1.( 修改 ) 空調 控制器狀態 預測. Dataset : Camera label D={( x n ,y n )} Generate feature n ominal & numeric 有意義的 Normalize : [0,1] Bagging ( b ootstrap aggregation) Feature selection Wrapper
E N D
計畫&行程 Presenter : Min-chia Chang Advisor : Prof. Jane Hsu Date : 2011- 01- 08
1.(修改)空調控制器狀態預測 • Dataset : Camera labelD={(xn,yn)} • Generate feature • nominal & numeric • 有意義的 • Normalize : [0,1] • Bagging (bootstrap aggregation) • Feature selection • Wrapper • Information gain • Missing value • 內插 • Encode NTU CSIE iAgent Lab
2.計算某些規則下的比例 • 已知該區域第n分鐘: • 空調狀態yn={off,on1,on2} (經由空調控制器預測) • 有/無人狀態mn={yes,no}(經由紅外線感測器資料) • 室內溫度t_indoorn(經由溫濕度感測器資料) • 熱舒適溫度範圍t_lowern~ t_uppern(經由問卷資料以及t_indoorn) • 可計算該區域一段時間內 • 各種yn之比例,各種mn之比例 • 浪費比例 • yn=on &&mn=no • yn=on && mn=yes && t_indoorn<t_lowern && t_indoorn>t_uppern NTU CSIE iAgent Lab
出風口溫度 收集器 室內溫度 收集器 空調資訊 收集器 室外溫度 收集器 舒適比例 分析中心 熱舒適溫度公式 空調狀態 預測機 空調設定 收集器 有/無人資訊 收集器 3.問題定義 - 第一部分 NTU CSIE iAgent Lab
4.碩士論文 background 完成 • 相關研究 • 節能 • ubiquitoussensor • 空調本身 • 用電資訊了解&分析 • 相關技術 • 熱舒適溫度(done) • Machine Learning相關技術 NTU CSIE iAgent Lab
計畫表 NTU CSIE iAgent Lab
第二部分 • 先用一號電錶PAC來計算PAC/Ptotal之比例 • 用此比例得到一段時間內每小時PAC之值(1,2,3號冰水主機) • 將PAC之值Cluster成3群 • 空調高、中、低用電 (ground truth) • feature: 每個區域各種sensor資料+context資料 • label: PAC屬於哪群 • 做machine learning分析, 找出各區域與PAC之關係 (e.g.只靠哪些區域的feature就容易預測出空調高用電時段 => 哪些區域與空調高用電時段有很大的關係) NTU CSIE iAgent Lab