AI dapat digunakan untuk menganalisis dan memprediksi tingkat kebisingan eksterior dan dampaknya terhadap kenyamanan pengguna di ruang masuk gedung melalui langkah-langkah berikut:
1. Pengumpulan Data: Memasang dan memanfaatkan sensor kebisingan atau mikrofon di sekitar gedung untuk mengumpulkan data audio real-time tingkat kebisingan eksterior. Pengumpulan data ini harus mencakup berbagai faktor seperti waktu, hari dalam seminggu, kondisi cuaca, dan acara atau aktivitas tertentu di sekitar.
2. Pra-pemrosesan Data: Bersihkan dan pra-proses data audio yang dikumpulkan untuk menghilangkan derau atau interferensi yang tidak terkait dengan lingkungan luar. Ini mungkin melibatkan teknik seperti penyaringan, pengurangan kebisingan, dan normalisasi.
3. Ekstraksi Fitur: Ekstrak fitur yang relevan dari data audio yang diproses sebelumnya yang dapat membantu mengkarakterisasi tingkat kebisingan dan kenyamanan pengguna. Fitur-fitur ini dapat mencakup intensitas suara, distribusi frekuensi, pola temporal, dan metrik psikoakustik seperti kenyaringan atau gangguan.
4. Pelabelan Data: Beri label pada data yang diproses sebelumnya dengan peringkat subjektif yang sesuai dari kenyamanan pengguna yang dikumpulkan melalui survei atau masukan pengguna. Ini akan membuat kumpulan data berlabel untuk pelatihan model.
5. Pelatihan Model: Gunakan teknik pembelajaran mesin untuk melatih model prediksi menggunakan kumpulan data berlabel. Berbagai model AI dapat digunakan, seperti model regresi atau arsitektur pembelajaran mendalam seperti convolutional neural network (CNN) atau recurrent neural network (RNN).
6. Evaluasi Model: Mengevaluasi performa model yang dilatih menggunakan metrik yang sesuai seperti mean squared error atau akurasi. Langkah ini membantu memastikan bahwa model dapat secara akurat memprediksi tingkat kebisingan eksterior dan pengaruhnya terhadap kenyamanan pengguna.
7. Prediksi Real-time: Terapkan model terlatih untuk terus menganalisis data audio real-time dari sensor/mikrofon kebisingan yang dipasang di luar gedung. Model kemudian dapat memprediksi tingkat kebisingan eksterior yang diharapkan dan memperkirakan kenyamanan pengguna berdasarkan pola yang dipelajari.
8. Pendukung Keputusan: Gabungkan perkiraan tingkat kebisingan dan penilaian kenyamanan pengguna dengan sistem kontrol gedung lainnya untuk membuat keputusan yang tepat. Misalnya, menyesuaikan sistem ventilasi atau HVAC, mengontrol perangkat peredam bising, atau memberi tahu penghuni tentang potensi ketidaknyamanan.
Dengan mengintegrasikan AI ke dalam analisis dan prediksi tingkat kebisingan eksterior, pengelola dan perancang gedung dapat mengoptimalkan kenyamanan pengguna, mengambil tindakan pencegahan, dan meningkatkan kualitas keseluruhan ruang masuk gedung.
Tanggal penerbitan: