AI는 다음 단계를 통해 외부 소음 수준과 건물 입구 공간에서 사용자의 편안함에 미치는 영향을 분석하고 예측하는 데 활용할 수 있습니다.
1. 데이터 수집: 건물 주변에 소음 센서 또는 마이크를 설치하고 활용하여 실시간 오디오 데이터를 수집합니다. 외부 소음 수준. 이 데이터 수집에는 시간, 요일, 기상 조건 및 인근의 특정 이벤트 또는 활동과 같은 다양한 요소가 포함되어야 합니다.
2. 데이터 전처리: 수집된 오디오 데이터를 정리하고 전처리하여 외부 환경과 무관한 잡음이나 간섭을 제거합니다. 여기에는 필터링, 노이즈 감소 및 정규화와 같은 기술이 포함될 수 있습니다.
3. 특징 추출: 전처리된 오디오 데이터에서 소음 수준과 사용자 편의를 특성화하는 데 도움이 되는 관련 특징을 추출합니다. 이러한 기능에는 사운드 강도, 주파수 분포, 시간 패턴 및 소리 크기 또는 성가심과 같은 심리 음향 메트릭이 포함될 수 있습니다.
4. 데이터 라벨링: 설문조사 또는 사용자 피드백을 통해 수집된 사용자 편의에 대한 해당 주관적 등급으로 사전 처리된 데이터에 라벨을 지정합니다. 이렇게 하면 모델 학습을 위한 레이블이 지정된 데이터 세트가 생성됩니다.
5. 모델 교육: 기계 학습 기술을 활용하여 레이블이 지정된 데이터 세트를 사용하여 예측 모델을 교육합니다. 회귀 모델 또는 컨볼루션 신경망(CNN) 또는 순환 신경망(RNN)과 같은 딥 러닝 아키텍처와 같은 다양한 AI 모델을 사용할 수 있습니다.
6. 모델 평가: 평균 제곱 오차 또는 정확도와 같은 적절한 메트릭을 사용하여 훈련된 모델의 성능을 평가합니다. 이 단계는 모델이 외부 소음 수준과 사용자 편안함에 미치는 영향을 정확하게 예측할 수 있도록 도와줍니다.
7. 실시간 예측: 훈련된 모델을 배치하여 건물 외부에 설치된 소음 센서/마이크의 실시간 오디오 데이터를 지속적으로 분석합니다. 그런 다음 모델은 예상되는 외부 소음 수준을 예측하고 학습된 패턴을 기반으로 사용자 편안함을 추정할 수 있습니다.
8. 의사 결정 지원: 예측된 소음 수준과 사용자 편의 평가를 다른 빌딩 제어 시스템과 결합하여 정보에 입각한 결정을 내립니다. 예를 들어, 환기 또는 HVAC 시스템 조정, 소음 제거 장치 제어 또는 잠재적인 불편에 대해 거주자에게 알립니다.
AI를 외부 소음 수준의 분석 및 예측에 통합함으로써 건물 관리자와 설계자는 사용자 편의를 최적화하고 예방 조치를 취하며 건물 입구 공간의 전반적인 품질을 향상할 수 있습니다.
발행일: