나는 MH-Z14 이산화탄소 센서 를 가지고 있으며 실내에 신선한 공기가 필요할 수있는시기를 감지하기 위해 사용하고 있습니다. 그러나 나는 또한 사람이 방에있을 때, 특히 센서 자체에 가까이있을 때 센서 판독 값이 급격히 증가한다는 것을 알았습니다.
누군가 방의 현재 CO2 값을 사용하여 방에있는 대략적인 인원을 감지하려고했는지, 그리고 그것이 얼마나 가능하고 정확한지 궁금합니다.
나는 MH-Z14 이산화탄소 센서 를 가지고 있으며 실내에 신선한 공기가 필요할 수있는시기를 감지하기 위해 사용하고 있습니다. 그러나 나는 또한 사람이 방에있을 때, 특히 센서 자체에 가까이있을 때 센서 판독 값이 급격히 증가한다는 것을 알았습니다.
누군가 방의 현재 CO2 값을 사용하여 방에있는 대략적인 인원을 감지하려고했는지, 그리고 그것이 얼마나 가능하고 정확한지 궁금합니다.
답변:
@jsotola의 의견 (예 : "머신 러닝과 같은 소리")이 정답 일지 모르지만 조금 더 확장하겠습니다.
최소한 다음 요인에 의존 할 것입니다.
나는 CO에서 데이터를 사용한 2 약 한 방 과거에 객실 점유율을 추정 센서, 차라리 변화 CO의 비율 같은 것들을 사용하여 시간에 경로를 학습 기계 아래로가는 끝나지 않았다 2 줄 지표 (값이 올라 갈수록 사람들이 많을수록). 그러나 내가 다시하고 있다면 아마 훈련 자료로 사용할 데이터를 수집하기 시작했을 것입니다.
상대 습도 센서와 같은 다른 센서와 함께 데이터를 융합하는 것도 가치가 있습니다. 이는 동시에 증가 할 수 있기 때문입니다.
- 몇 가지 조사이 이미 이루어되어 나타납니다 실내 CO에 점유 감지 기반 : 프록시에 의해 감지 이 집중 CO를 기반으로 점유율을 감지 캘리포니아 버클리 대학에서 개발 된 모델에 대해 설명 이 농도를.
PDE (Partial Differential Equation) – ODE (ordinary Differential Equation) 시스템으로 구성된 데이터 중심 모델을 기반으로 알려지지 않은 사람 배출량과 프록시 측정을 연결하는 링크 모델을 제안합니다.
그들의 모델은 테스트 한 다른 머신 러닝 모델보다 훨씬 정확합니다.
프록시에 의한 감지에 의한 공기 복귀 및 공기 공급 환풍구에서의 CO2 측정을 기반으로 한 실내 거주자 수의 추론은 다양한 기계 학습 알고리즘을 능가하며 0.6569의 전체 평균 제곱 오차 (분수)를 달성합니다. Bayes net의 가장 좋은 대안은 1.2061 (분수)입니다.
논문의 알고리즘 1 (p. 3)은 시스템과 유사한 시스템을 구현하는 방법에 대한 방향을 제시 할 수 있는데, 이는 CO 2 센서 의 단순성으로 인해 놀랍도록 신뢰할 수있는 것으로 보입니다 .