陸蓓蓓,謝慧,郝斌,潘文宇,陸元元.人員在室感知方法綜述[J].建筑科學,2019,35(10):84-91.
人員在室感知方法綜述
［基金項目］“十三五”國家重點研發(fā)計劃項目“近零能耗建筑技術體系及關鍵技術開發(fā)”( 2017YFC0702600) ; 國家自然科學基金面上項目“規(guī)范性用能反饋對居住者節(jié)能行為和建筑用能影響集控制策略研究”( 51878042)

人員在室感知方法綜述

作者：陸蓓蓓¹，謝 慧¹，郝 斌²，潘文宇²，陸元元²
(1．北京科技大學，北京 100083; 2．深圳市建筑科學研究院，廣東 深圳 518049）

摘要

人員在室研究對建筑能源管理、室內環(huán)境和人員熱舒適以及建筑能耗模擬工具的優(yōu)化都至關重要。近年來，利用傳感器進行人員在室感知是挖掘室內人員移動行為規(guī)律的有效手段，推動了人員在室研究的進一步發(fā)展。本文對當前國內外人員在室感知研究常用的技術和方法進行系統(tǒng)的歸納，指出了現有人員在室感知研究存在的主要問題，為未來進一步研究室內人員提供一些參考。

關鍵詞

人員在室building occupancy
能源管理energy management
能耗模擬energy consumption simulation
傳感器sensors

1.引 言

建筑能耗占全球能源消耗總量的 30%以上［1］，建筑節(jié)能依舊是主旋律。室內人員是建筑的主要使用者以及能源消耗的行為主體［2］。人員在室的變化是影響建筑能耗的關鍵因素之一［3-5］。人員在室內的移動和行為存在規(guī)律的同時具有隨機性和差異性［6-7］，建筑內各用能設備的設計和運行通常按最大化需求靜態(tài)設置工作時間和狀態(tài)，與人員在室實際動態(tài)需求并不相符，造成能源利用率低下［8-9］。

人員在室的變化同時也是造成建筑能耗不確定的關鍵因素之一［3］。人員在室信息是建筑能耗模擬工具(例如Energy Plus，DeST和TRNSYS)的重要輸入參數［10］，在模擬工具中通常以作息時間表的形式存在［11］。然而，模擬軟件中的人員作息時間表通常是由用戶自定義輸入［12］或者參考 ASHRAE 提供的固定時間表模型［13］，與實際人員作息存在較大差異，且不同作息模式對能耗模擬結果有重要影響［14］，導致能耗模擬結果準確性降低［15-16］。

為解決上述問題，近年來國內外較多學者開始探索人員在室的規(guī)律，以期人性化滿足室內人員需求的同時優(yōu)化建筑運行和管理，例如室內照明［17］或電器［18］控制，通風系統(tǒng)調節(jié)等［19-20］。這其中，獲取人員在室的相關信息則成為首要和關鍵任務。最基本的方法就是實地調研和訪問［21］，但是這種方法通常需要耗費較多人力成本，人工數據錄入和處理存在不便，同時調查結果易受被訪問者的主觀因素影響［22］。近年來，隨著傳感、通信、計算機技術的飛快發(fā)展，利用傳感器收集人員在室信息成為挖掘室內人員移動行為規(guī)律的有效手段［23］，也被稱為人員在室感知(sensing) 。

本文根據傳感器測量對象是否直接與人員相關將人員在室感知方法分為兩類: 直接感知法和間接感知法，同時將人員在室感知內容分為探測和計數［24］，即某時刻室內是否有人(或何時有人) 及室內人數，對目前人員在室感知利用的傳感器技術進行了系統(tǒng)的歸納和總結，最終指出了未來人員在室研究面臨的主要問題。

1. 人員在室直接感知方法

直接感知法包括視頻錄像感知、被動式紅外線感知、無線信號感知等。

1.1. 視頻錄像感知

視頻監(jiān)控是最直接的人員在室感知方法。從視頻畫面記錄中可以直接獲取非常全面的人員信息。但目前在人員在室研究中存在明顯的阻力。首先，長期測量時，視頻畫面及相關數據需要大容量存儲設備，費用高昂。其次，如何從視頻圖像中提取人員相關的數據信息也是重要問題。手動觀察并記錄數據較繁瑣，若開發(fā)相關算法或程序從影像中提取人員信息，對于非專業(yè)人士存在較大困難［25］。最后，現實生活中最難以解決的問題則是隱私問題。因為在視頻影像下，室內人員的所有動作都會被記錄下來，通常房間內部不允許安裝，因此利用視頻監(jiān)控進行人員在室的研究較少［26］。

1.2. 被動式紅外感知

被動式紅外(Passive Infrared，PIＲ) 傳感器主要是通過檢測人體在探測區(qū)域內移動造成的紅外熱輻射能量的變化來探測附近是否有人［27］。通常情況下，PIR常安裝在出入口附近，通過輸出信號高低判斷人員是否經過進而探測室內是否有人［28-29］。

根據 PIR探測原理可知，PIR只對移動的目標敏感，不適用于靜坐的人群，且僅憑信號高低難以簡單分辨人員是進入還是離開室內，因此易產生錯誤判斷，且難以提供準確的人數信息［30］。

為提升PIR對室內人員探測的準確性同時擴展其人員感知探測的應用范圍，國內外學者進行了深入研究。Zappi等人［31］將3個PIR以固定特殊方式安裝，采用遮擋部分觀測域的方法，有效區(qū)分人員的運動方向和數量。Wahl等人［32］利用成對的PIR分別布置在辦公室門進口側和出口側，通過兩側的信號輸出的時間順序判斷人員進入或離開，從而實現對在室人員的數量預測。Raykov等人［33］嘗試利用單個PIR感知人員進出某會議室時傳感器輸出信號頻率和幅度變化規(guī)律推測在室人員的數量，雖然結果準確度較低，但仍然為利用PIR實現室內人員計數提供了新的思路。

現有研究中通常將其與其他傳感器結合判斷是否有人員在室內，例如門開關感應器［34］，視頻［35］，以及下文將提到的其他傳感技術等。利用PIR感知人員在室的相關研究見表1。

1.3. 無線信號感知

無線信號感知室內人員根據其原理可分為2類: 有源感知和無源感知。有源感知通過室內人員(識別目標) 身上攜帶的電子標簽(移動設備) 發(fā)射或接收無線信號確定室內人員位置。無源感知方法則無需室內人員攜帶相關電子標簽設備，而是利用人員對空間內的無線信號產生的折射、反射、吸收等干擾效應探測空間內是否有人，并估測室內人員數量［36］。

由于智能手機和Wi-Fi的廣泛使用，利用手機Wi-Fi 有源感知室內人員的研究成為熱點［37］。其基本原理為［38］: 在室內布置多個Wi-Fi的接入點(Access Point，AP)，用戶設備開啟Wi-Fi后即掃描并收集附近的AP信號。無論該信號是否加密或者用戶設備是否與之連接，AP信號均能顯示在無線信號列表中。每一個AP具有唯一標簽參數，挖掘該AP與用戶設備的信號通信時的相關參數變化即可計算出該設備的地理位置，將用戶所在位置與所探測區(qū)域進行比較即可判斷目標人員是否在探測區(qū)域內［39-41］，同時感知無線信號數量可推斷出室內人員的數量［42-43］。

Wi-Fi有源感知方法存在一定誤差，Android和Windows系統(tǒng)的手機用戶可自行選擇是否在鎖屏后保持Wi-Fi信號處于可連接狀態(tài)，而iOS系統(tǒng)的手機一旦鎖屏就會進入睡眠狀態(tài)關閉Wi-Fi連接來節(jié)省電量［41］。因此可能出現用戶攜帶智能手機但Wi-Fi并未開啟的現象。此外，由于主觀性原因用戶和手機有時并非一一對應關系，例如用戶未攜帶手機或者一位用戶攜帶多部手機。

除手機Wi-Fi外，射頻識別技術(Radio Frequency Identification，RFID)［44］，Zigbee 無線［45］等技術也可進行有源感知。RFID 接收器一般需外部供電，安裝靈活性不夠，因此信號覆蓋范圍有一定局限性［46］。相較于RFID，Zigbee 無線技術安裝和布置較為靈活，而且功耗和成本都較低，但其網絡穩(wěn)定性不足，數據傳輸范圍亦受到限制［47］。因此，RFID和Zigbee 常見于較小空間尺度的無源感知研究中。Arai等人［48］提出利用Zigbee 信號強度變化探測某辦公室內的人員密集程度和人員移動速度的方法。Yuan等人［49］利用聚類算法挖掘射頻信號強度變化預測室內人員密度。Li等人［50］利用神經網絡模型建立室內人員數量與Wi-Fi信號強度變化的關聯。Xi等人［51］通過探索人員密度和人員移動引起的Wi-Fi信號通道狀態(tài)變化規(guī)律預測某房間內的人員數量。無源感知的缺點在于除人員對無線信號的影響外，室內環(huán)境變化例如光照、溫濕度、煙霧等以及室內物品布局也會對信號產生影響，且當室內人數較多時，人員數量變化或移動對無線信號影響程度比較微弱［48］。因此，無源感知方法更適合人員密度較低時的室內人員感知研究。利用無線信號感知在室人員的相關研究見表2。

1.4. 接觸感知

除以上介紹傳感技術外，部分研究利用傳感器與人員接觸進行感知。Labeodan［52］等人通過安裝在椅子上的壓力傳感器感應是否有人坐在椅子上來判斷人員是否在室，同時估測在室人員的數量。然而該方法存在一個缺點，不能感應出在室內未就坐的人員。同時該研究調查了員工對安裝此類座椅傳感器的意愿，15名員工中只有9人表示愿意在工作場所的椅子上安裝壓力傳感器。Zhao［53］等人提出利用安裝在鼠標和鍵盤上的傳感器來感應是否有人員在使用辦公電腦，從而判斷人員在室的時間段和人員數量。但是該種方法同樣也存在局限性，忽略了人員在室卻沒有使用計算機的情況，另外也存在侵犯用戶隱私的問題。

2.人員在室間接感知方法

直接感知方法在現實生活中存在隱私侵犯的風險，導致在室內布置傳感器時易受到用戶的抵觸。為了降低這種風險，研究人員開始嘗試新的間接感知方法，即不直接感知室內人員，而是利用他們與建筑產生的交互信息與室內人員建立“弱關聯”，主要包括環(huán)境傳感器感知和能耗計量儀器感知。

2.1. 環(huán)境傳感器感知

環(huán)境傳感器主要指測量室內環(huán)境相關參數的傳感器，包括CO₂濃度、溫濕度、室內噪聲、室內照度等等。隨著生活水平的提高和室外空氣環(huán)境的惡化以及人們對室內舒適度以及空氣環(huán)境的關注度提升，越來越多的用戶有更高的意愿主動在室內安裝環(huán)境檢測設備［54］，用戶對安裝環(huán)境傳感器的接受程度相對較高。因此，近年來越來越多的學者開始嘗試通過測量室內環(huán)境參數變化規(guī)律預測某空調區(qū)內的人員在室情況，實現對通風空調設備的新風供應或換氣次數等進行動態(tài)調節(jié)，避免過度通風的同時可以節(jié)省能耗［19］。

CO₂濃度傳感器是分析人員在室情況最常用的環(huán)境傳感器之一。人體呼吸作用會產生一定水平的CO₂，室內CO₂濃度隨時間、人數和通風情況呈現出不同的變化趨勢，密閉情況下，時間越長，人數越多，室內CO₂濃度越高［55］，如圖1所示。

利用CO₂濃度推測室內人員數量主要有2種方法。一是利用質量平衡方程建立CO₂濃度與室內人員數量的函數［56-58］，二是利用機器學習算法從歷史數據中挖掘CO₂濃度的動態(tài)分布與室內人員數量的關聯［59-60］。質量守恒模型具有較好的通用性，但當應用于多區(qū)域空間或涉及到多個空氣處理單元時計算的復雜度會大幅度提升。而機器學習算法可高效挖掘各種環(huán)境數據變化規(guī)律，但其獲得的人員在室模型通常只適用于本地環(huán)境。Zuraimi等人［61］將兩者進行了對比，在一間可容納200人的講座會場進行了實驗測試，結果表明兩者都能獲得較高的準確度，但基于機器學習算法的人員在室模型的預測性能更優(yōu)。

無論采取何種方法，僅利用CO₂傳感器感知室內人員變化仍存在局限性。CO₂傳感器響應有一定延遲性，難以及時反映室內人員變動從而導致判斷錯誤。其次，CO₂在空間分布存在異質性的問題［62］，導致CO₂傳感器位置的選擇會影響對數據獲取的準確性和數據的代表性，例如當有人靠近CO₂傳感器時，所測濃度可能會急劇上升，而當傳感器放置在遠離室內人員活動區(qū)域時，所測數據變化則不明顯。此外，由室內人員自行調控導致的換氣次數或門窗通風的變化也常被忽略。

結合CO₂傳感器與其他環(huán)境傳感器測量成為提高人員在室感知準確度的方法之一。人員在室對溫度(T) 和相對濕度(RH) 等指標也有影響，但由于室內空調系統(tǒng)的恒溫調節(jié)，室內溫濕度變化與人員數量之間的關聯相對較弱［63］。Szczurek等人［64］利用CO₂、溫濕度傳感器感知大學教室內的人員動態(tài)變化，采用2種機器學習算法建模后結果均顯示3種參數組合后的人數預測的效果更佳。

良好的室內光環(huán)境和聲環(huán)境是室內人員工作生活的必要條件，因此照度和聲音強度傳感器也是研究人員關注的重點。Candanedo等人［65］采用照度、CO₂、溫濕度傳感器探測某單間辦公室的人員在室情況，實驗結果表明僅照度參數即可準確判斷是否有人員在室，且含有照度的任一組合的性能皆高于單一CO₂濃度或溫濕度模型。除了照明燈具的使用，房間照度水平還取決于建筑的朝向、窗戶面積(自然采光)等因素。用戶是否有隨手關燈的習慣也成為利用照度感知人員在室的重要影響因素。對于由室內照明燈具主導照度水平的房間，當房間照度水平達到設計標準值或滿足室內人員需求時，照度水平不會隨人數變化而變化，因此照度傳感器的使用僅能用于室內人員探測。室內人員的交談或其他活動會導致室內噪聲水平的變化，因此聲音強度也可作為感知室內人員的有效參數，但單獨使用噪聲傳感器進行在室人員感知的研究較少［66］，通常與其他環(huán)境傳感器結合感知室內人員［67］。表3總結了利用環(huán)境傳感器感知室內人員的相關研究。

2.2. 能耗計量儀器感知

監(jiān)測、收集建筑內人員生活和工作產生的能耗數據也是感知人員在室的重要手段之一［68］。常見的能耗計量儀器有智能電表，功率插座，功率計等。能耗監(jiān)測可以根據安裝位置不同分為侵入式和非侵入式［69］。侵入式指將儀器在建筑室內分散安裝計量電器能耗，比如在室內的每個用電設備上安裝傳感器; 非侵入式則是安裝在建筑或房間外部的電力入口處，通過分析整體電力負荷特征將不同的用電器分離開，從而識別單個電器的運行情況來估測人員在室情況［70］。對應的人員在室感知方法被稱為侵入式能耗感知和非侵入式能耗感知。

目前，非侵入式能耗感知常見于住宅建筑內人員在室的研究中，即根據監(jiān)測所得能耗數據劃定人員在室時的能耗閾值，當能耗值顯示高于該閾值時則認為人員在室［71-74］。但由于非侵入式感知收集整體電力負荷數據，容易受到不同用電習慣以及用電設備數量變化的影響，因此通常需要收集大量數據并進行深入數據分析和學習才能獲得高準確度。Chen等人［71］對兩戶住宅建筑進行研究，發(fā)現其中一戶因為家庭寵物的緣故即使人員外出也不會關閉空調。這種情況下，利用非侵入感知的方法來判斷是否有人員在室的準確度難以保障。

侵入式感知在住宅建筑和辦公建筑中都有體現。住宅建筑侵入式感知的儀器通常安裝在電熱水壺，電視機，電炊具，空調等電器中，盡量避免冰箱等長期待機的電器［75-76］。這樣所獲得的數據更為詳細也更能反映出人員在室的規(guī)律。辦公建筑中儀器可以根據室內人員的分布位置安裝，例如 Akbar［77］將電表安裝在四位員工的工位上，從而可以判斷出員工在工位的時間段。若對室內所有工位都進行感知，在能判斷出人員在室的時間段的同時也能預測不同時間段的人員數量。表4總結了利用能耗計量儀器感知室內人員的相關研究。

3.人員在室感知研究發(fā)展展望

3.1. 現有人員在室研究中的問題

人員在室感知研究對建筑節(jié)能管理、調控和評估以及建筑模擬軟件優(yōu)化有重要意義。利用傳感器感知室內人員成為人員在室研究的主要手段。雖然近年來人員在室感知研究快速發(fā)展并取得了一定成果，但仍存在較多急需討論和解決的問題。

3.1.1單一或組合傳感器的選取標準

每種傳感器都有其獨特性和局限性，合理結合多種傳感器進行人員感知，一定程度上可以提高人員在室感知的準確性。Zhang等人［78］采用CO₂和功率插座進行人員在室感知，實驗結果表明結合兩種參數建立的人員在室模型的準確度明顯高于單一參數的模型。Amayri等人［79］利用聲音傳感器、被動式紅外傳感器以及功率計3種傳感器分別建立了單一參數和組合參數的人員在室模型，發(fā)現3種傳感器組合時模型的準確度最高。然而，不同傳感器組合也可能產生負面影響。Hailemariam［80］等人利用CO₂、噪聲、照度傳感器以及功率表感知單人工位的使用情況，發(fā)現組合數據在分析之中存在過度擬合的風險，導致感知準確度降低。此外，還需衡量組合傳感器帶來的效益提升與其導致的邊際成本。Hobson等人［81］結合手機Wi-Fi、CO₂、PIR和功率插座對1棟4層建筑進行人員在室感知實驗，結果表明手機Wi-Fi單獨感知的準確度已達到較高水平，四者的組合模型性能提升空間較小，其邊際效益遠低于邊際成本。

現有研究多以單個、多個房間或空調區(qū)為實驗對象，空間尺度和類型較為單一。當對象為大空間尺度例如建筑級別時，人員在不同房間或空調區(qū)內的移動將更為復雜，為更好實現人員與空間的準確匹配，還需考慮不同時刻內人員的位置和移動傾向，探索不同區(qū)域內人員變化的相關性和規(guī)律性。此時，間接感知方法似乎存在局限。如何根據不同類型建筑的實際需求以及不同傳感器感知的優(yōu)缺點選取合適的傳感器目前仍無明確標準可供參考。

3.1.2. 傳感器的最佳布局

傳感器的布局指傳感器在建筑中的布置位置和數量選取。由于室內人員活動的不確定性以及傳感器的靈敏及精度要求，傳感器位置對人員感知有重要影響，尤其對于環(huán)境傳感器感知方法［82］。現有研究中傳感器布置位置主要基于理論經驗，其合理度并未得到證實。傳感器數量直接關聯到感知系統(tǒng)的經濟效益。Dodier等人［83］采用多個PIR傳感器感知室內人員，但部分空間內PIR傳感器產生了超過50%的錯誤探測，而部分空間內傳感器數量明顯富余。Duarte等人［29］在某辦公樓內布置了629個紅外傳感器，但獲取的數據中約有 2.56%(約3940個樣本) 屬于無用數據而被刪除。如何設計傳感器在室內空間的最佳布局(傳感器布置位置和數量) ，實現高效感知室內人員同時避免冗余或者不必要的測量從而保證良好的經濟效益仍需進一步研究。

3.2. 人員感知未來研究方向

未來人員在室感知研究方向主要有以下幾點：

低侵入性：隨著人們對隱私的關注度逐漸提升，如何在精確獲得室內人員信息的同時最大化降低室內人員的隱私侵犯感也是在實際建筑中進行人員感知的關鍵。

高經濟性：當保證人員感知準確性的同時，經濟效益將成為人員感知技術推廣應用的決定性因素。未來研究中，經濟性將與感知性能并存。

需求響應：人員感知的最終目的是為了實現高效、智能、人性化的建筑系統(tǒng)的控制。因此，如何實現人員在室感知技術與建筑設備系統(tǒng)之間的需求響應是終極目標。

參考文獻

［1］ BP Energy Outlook 2019 ( BP 世界能源展望 2019) ［EB /OL］．
［2］ 李翠，李崢嶸，姚萬祥． 公共建筑內人員行為對建筑節(jié)能管理影響的因素分析［C］/ /上海市制冷學會．上海市 制 冷 學 會2011 年學術年會論文集．上海市制冷學會: 上海市制冷學會，2011: 325-330
［3］ 燕達，豐曉航，王闖，等． 建筑中人行為模擬研究現狀和展望［J］． 建筑科學，2015，31( 10) : 178-187
［4］ Yan D，Hong T，Dong B，et al． IEA EBC Annex 66: Definition and simulation of occupant behavior in buildings［J］． Energy and Buildings，2017，156: 258-270
［5］ Ahn K U，Park C S． Correlation between occupants and energy consumption［J］． Energy and Buildings，2016，116: 420-433
［6］ Delzendeh E，Wu S，Lee A，et al． The impact of occupants’ behaviours on building energy analysis: A research review［J］．Renewable and Sustainable Energy Reviews，2017，80: 1061-
1071
［7］ Brom P，Hansen，AR，Kirsten G H，et al． Variances in residential heating consumption – Importance of building characteristics and occupants analysed by movers and stayers［J］． Applied Energy，2019，250: 713-728
［8］ Grabe J． How do occupants decide their interactions with the building? From qualitative data to a psychological framework of human-building-interaction ［J］． Energy Ｒesearch ＆ Social Science，2016，14: 46-60
［9］ Masoso O T，Grobler L J． The dark side of occupants’behaviour on building energy use［J］． Energy ＆ Buildings，2010，42( 2) : 173-177
［10］ Yang J，Santamouris M，Lee S E． Review of occupancy sensing systems and occupancy modeling methodologies for the application in institutional buildings［J］． Energy and Buildings，2016，121: 344-349
［11］ 王闖． 有關建筑用能的人行為模擬研究［D］． 北京: 清華大學，2014
［12］ Yan D，O’Brien W，Hong T，et al． Occupant behavior modeling for building performance simulation: Current state and future challenges［J］． Energy and Buildings，2015，107: 264-278
［13］ Ahn K U，Kim D W，Park C S，et al． Predictability of occupant presence and performance gap in building energy simulation［J］．Applied Energy，2017，208: 1639-1652
［14］ 耿陽，林波榮，彭渤． 作息模式對建筑能耗模擬的影響分析［J］． 建筑技術開發(fā)，2016，43( 4) : 78-84
［15］ Jang H，Kang J． A stochastic model of integrating occupant behaviour into energy simulation with respect to actual energy consumption in high － rise apartment building［J］． Energy and Buildings，2016，121: 205-216
［16］ Gaetani I，Hoes P J，Hensen J L M． Occupant behavior in building energy simulation: Towards a fit-for-purpose modeling strategy［J］． Energy and Buildings，2016，121: 188-204
［17］ De Bakker C，Aries M，Kort H，et al． Occupancy－based lighting control in open-plan office spaces: A state-of-the-art review［J］．Building and Environment，2017，112: 308-321
［18］ Zhao J，Lasternas B，Lam K P，et al． Occupant behavior and schedule modeling for building energy simulation through office appliance power consumption data mining ［J］． Energy and Buildings，2014，82: 341-355
［19］ Nassif N． A robust CO2-based demand-controlled ventilation control strategy for multi-zone HVAC systems［J］． Energy and Buildings，2012，45: 72-81
［20］ Kim J，Hong T，Lee M，et al． Analyzing the real －time indoor environmental quality factors considering the influence of the building occupants’behaviors and the ventilatio ［J］． Building and Environment，2019，156: 99-109
［21］ Chen J， Wang X， Steemers K． A statistical analysis of a residential energy consumption survey study in Hangzhou，China［J］． Energy and Buildings，2013，66: 193-202
［22］ 周亞蘋，俞準，李郡，等．建筑用戶在室行為測量方法及預測模型綜述［J］．暖通空調，2017，47( 09) : 11-18
［23］ Saha H，Florita A R，Henze G P，et al． Occupancy sensing in buildings: A review of data analytics approaches［J］． Energy and Buildings，2019，188 /189: 278-285
［24］ Chen Z，Jiang C，Xie L． Building Occupancy Estimation and Detection: A Revie［J］． Energy and Buildings，2018，169: 260-270
［25］ Benezeth Y，Laurent H，Emile B，et al． Towards a sensor for detecting human presence and characterizing activity［J］． Energy and Buildings，2011，43(2 /3) : 305-314
［26］ Ming Jin， Data-efficient Analytics for optimal human-cyberphysical system［D］． Berkeley: University of California at Berkeley，2017
［27］ 梁光清． 基于被動式紅外探測器的人體識別技術研究［D］．重慶: 重慶大學，2009
［28］ Wang D，Federspiel C C，Ｒubinstein F． Modeling occupancy in single person office［J］． Energy and Buildings，2005，37( 2) : 121-126
［29］ Duarte C， Kevin V D W， Rieger C． Revealing occupancy patterns in an office building through the use of occupancy sensor data［J］． Energy and Buildings，2013，67: 587-595
［30］ Guan Q，Li C，Guo X，et al． Compressive classification of human motion using pyroelectric infrared sensors ［J］． Pattern Recognition Letters，2014，49? : 231-237
［31］ Zappi P，Farella E，Benini L． Enhancing the spatial resolution of presence detection in a PIR based wireless surveillance network［C］/ / IEEE Conference on Advanced Video ＆ Signal Based Surveillance． IEEE，2007
［32］ Wahl F，Milenkovic M，Amft O． A Distributed PIR － based Approach for Estimating People Count in Office Environments［C］/ / IEEE International Conference on Computational Science ＆ Engineering． IEEE，2012
［33］ Raykov Y P， Ozer E， Dasika G， et al． Predicting room occupancy with a single passive infrared ( PIR) sensor through behavior extraction［J］．ACM，2016: 1016-1027
［34］ Agarwal Y，Balaji B，Gupta Ｒ，et al． Occupancy－driven energy management for smart building automation［C］/ /ACM Workshop on Embedded Sensing Systems for Energy-Efficiency in Building．ACM，2010: 1-6
［35］ Erickson V L，Achleitner S，Cerpa A E． POEM: power-efficient occupancy-based energy management system［C］/ / International Conference on Information Processing in Sensor Networks． ACM，2013: 203-216
［36］ 趙化森． 基于無線傳感網的室內人員無源感知的研究［D］．濟南: 山東大學，2014
［37］ Howard B，Acha S，Shah N，et al． Implicit sensing of building occupancy count with information and communication technology data sets［J］． Building and Environment，2019 157: 297-308
［38］ 李紅麗． 基于 Wi-Fi 的室內定位技術的研究［D］． 北京: 北京交通大學，2014
［39］ Jiang Y F，Pan X，Li K，et al． AＲIEL: Automatic Wi-Fi based room fingerprinting for indoor localization［C］/ / ACM Conference on Ubiquitous Computing． ACM，2012，441-450
［40］ Lu X，Wen H，Zou H，et al． Ｒobust occupancy inference with commodity WiFi ［C］/ / 2016 IEEE 12th International Conference on Wireless and Mobile Computing，Networking and Communications ( WiMob) ． IEEE Computer Society，2016
［41］ Balaji B，Xu J，Nwokafor A，et al． Sentinel: occupancy-based HVAC actuation using existing Wi-Fi infrastructure within commercial buildings ［C］/ /ACM Conference on Embedded
Networked Sensor Systems，ACM，2013
［42］ Zou H，Jiang H，Yang J，et al． Non－intrusive occupancy sensing in commercial buildings［J］． Energy and Buildings，2017，154: 633-643
［43］ Wang W，Chen J，Hong T，et al． Occupancy prediction through Markov based feedback recurrent neural network ( M-FRNN) algorithm with WiFi probe technology ［J］． Building and Environment，2018，138: 160-170
［44］ Li N，Calis G，Becerik-Gerber B． Measuring and monitoring occupancy with an ＲFID based system for demand－driven HVAC operations［J］． Automation in Construction，2012，24: 89-99
［45］ Fadhlullah S Y，Ismail W． A Statistical Approach in Designing an RF － Based Human Crowd Density Estimation System［M］．International Journal of Distributed Sensor Networks，2016
［46］ 孫瑜，范平志． 射頻識別技術及其在室內定位中的應用［J］．計算機應用，2005，25( 5) : 1205-1208
［47］ 高明，吉祥，劉宇，等． ZigBee 技術在室內定位中的應用［J］．西安工業(yè)大學學報，2010，30( 1) : 9-12
［48］ Arai M，Kawamura H，Suzuki K． Estimation of ZigBee＇ s RSSI fluctuated by crowd behavior in indoor space ［C］/ / Sice Conference． 2010
［49］ Yuan Y，Zhao J，Qiu C，et al． Estimating crowd density in an RF－ based dynamic environment［J］． IEEE Sensors Journal，2013，13( 10) : 3837-3845
［50］ Li H，Chan E C L，Guo，et al． Wi－Counter: Smartphone-based people counter using crowdsourced Wi-Fi signal data［J］． IEEE Transactions on Human－Machine Systems，2015 45( 4) : 442-452
［51］ Xi W，Zhao J，Li X Y，et al． Electronic frog eye: Counting crowd using Wi-Fi ［C］/ / IEEE INFOCOM 2014 - IEEE Conference on Computer Communications． IEEE，2014
［52］ Labeodan T，Zeiler W，Boxem G，et al． Occupancy measurement in commercial office buildings for demand － driven control applications-A survey and detection system evaluation［J］． Energy and Buildings，2015，93: 303-314
［53］ Zhao Y，Zeiler W，Boxem G，et al． Virtual occupancy for real－time occupancy information in buildings ［J］． Building ＆ Environment，2015，93( 2) : 9-20
［54］ 周浩． 基于室內環(huán)境測量數據的人行為識別方法研究［D］． 天津: 天津大學，2016
［55］ 張孝東，王成端，唐中華． 辦公室二氧化碳濃度的測試實驗分析［J］． 制冷與空調( 四川) ，2013，( 3) : 301-303
［56］ Calì D，Matthes P，Huchtemann K，et al． CO2 based occupancy detection algorithm: Experimental analysis and validation for office and residential buildings［J］． Building and Environment，2015，86: 39-49
［57］ Jin M， Bekiaris-Liberis N， Weekly K， et al． Occupancy detection via environmental sensing［J］． IEEE Transactions on Automation Science ＆ Engineering，2016，99: 1-13
［58］ Wolf S，Cal D，Krogstie J，et al． Carbon dioxide － based occupancy estimation using stochastic differential equations［J］． Applied Energy，2019，236: 32-41
［59］ Jiang C，Masood M K，Soh Y C，et al． Indoor occupancy estimation from carbon dioxide concentration［J］． Energy ＆ Buildings，2016，131: 132-141
［60］ Rahman H，Han H． Bayesian estimation of occupancy distribution in a multi－room office building based on CO2 concentrations［J］．Building Simulation，2018，11: 575-583
［61］ Zuraimi M S，Pantazaras A，Chaturvedi K A，et al． Predicting occupancy counts using physical and statistical CO2-based modeling methodologies［J］． Building and Environment，2017，123: 517-528
［62］ Mahyuddin N，Awbi H． The spatial distribution of carbon dioxide in an environmental test chamber［J］． Building ＆ Environment，2010，45( 9) : 1993-2001
［63］ Zhang R，Lam K P，Chiou Y S，et al． Information － theoretic environment features selection for occupancy detection in open office spaces［J］． Building Simulation，2012，5( 2) : 179-188
［64］ Szczurek A， Maciejewska M， Pietrucha T． Occupancy determination based on time series of CO2， concentration，temperature and relative humidity［J］． Energy and Buildings，
2017，147: 142-154
［65］ Candanedo L M，Feldheim V． Accurate occupancy detection of an office room from light，temperature，humidity and CO2，measurements using statistical learning models［J］． Energy ＆ Buildings，2016，112: 28-39
［66］ Dong B，Andrews B，Lam K P，et al． An information technology enabled sustainability test－bed (ITEST) for occupancy detection through an environmental sensing network ［J］． Energy ＆ Buildings，2010，42( 7) : 1038-1046
［67］ Jia R，Jin M，Chen Z，et al． SoundLoc: Accurate room-level indoor localization using acoustic signatures ［C］/ / IEEE International Conference on Automation Science and Engineering．IEEE，2015: 186-193
［68］ Kim Y S，Srebric J． Impact of occupancy rates on the building electricity consumption in commercial buildings［J］． Energy and Buildings，2017，138: 591-600
［69］ 汪四仙，畢忠勤．非侵入式電力負荷測量技術研究［J］．上海電力學院學報，2017，33( 04) : 357-361
［70］ 張玉天，陳盛，尤蘭． 居民用電負荷非侵入式測量分解系統(tǒng)研究［J］．科技創(chuàng)新與應用，2019，( 16) : 38-40
［71］ Chen D，Barker S，Subbaswamy A， et al． Non － intrusive occupancy monitoring using smart meters［C］/ / Acm Workshop on Embedded Systems for Energy-efficient Buildings． ACM，2013
［72］ Kleiminger W， Beckel C， Santini S． Household occupancy monitoring using electricity meters［C］/ / ACM International Joint Conference on Pervasive ＆ Ubiquitous Computing． ACM，2015. 975-986
［73］ Tang G，Wu K，Lei J，et al． The meter tells you are at home! Non-intrusive occupancy detection via load curve data［C］/ / 2015 IEEE International Conference on Smart Grid Communications ( Smart Grid Comm) ． IEEE，2015
［74］ Razavi R，Gharipour A，Fleury M，et al． Occupancy detection of residential buildings using smart meter data: A large-scale study［J］． Energy ＆ Buildings，2019，( 183) : 195-208
［75］ Armel K C，Gupta A，Shrimali G，et al． Is disaggregation the holy grail of energy efficiency? The case of electricity［J］． Energy Policy，2013，52: 213-234
［76］ Kleiminger W，Beckel C，Staake T，et al． Occupancy Detection from Electricity Consumption Data［C］/ / ACM Workshop on Embedded Systems for Energy-efficient Buildings． ACM，2013
［77］ Akbar A， Nati M， Carrez F， et al． Contextual occupancy detection for smart office by pattern recognition of electricity consumption data［C］/ /2015 IEEE International Conference on Communications．2015: 561-566
［78］ Zhang B，Shen Y，Zhang L． Inferring building occupancy based on statistical modeling of multi － sensor data ［C］/ / IEEE International Conference on Automation Science and Engineering．IEEE，2016
［79］ Amayri M，Arora A，Ploix S，et al． Estimating occupancy in heterogeneous sensor environment［J］． Energy ＆ Buildings，2016，129: 46-58
［80］ Hailemariam E， Goldstein R， Attar R， et al． Real － time occupancy detection using decision trees with multiple sensor types［C］/ /2011 Symposium on Simulation for Architecture and Urban Design． 2014: 141-148
［81］ Hobson B W，Lowcay D，Gunay H B，et al． Opportunistic occupancy－ count estimation using sensor fusion: A case study［J］． Building and Environment，2019，159: 1-10
［82］ Chen Z，Zhu Q，Masood M，et al． Environmental Sensors based Occupancy Estimation in Buildings via IHMM－MLＲ［J］． IEEE Transactions on Industrial Informatics，2017，13( 5) : 2184-2193
［83］ Dodier R H，Henze G P，Tiller D K，et al． Building occupancy detection through sensor belief networks ［J］． Energy and Buildings，2006，38( 9) : 1033-1043

總結

以上是生活随笔為你收集整理的人员在室感知方法综述(2019)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。