Please use this identifier to cite or link to this item:
https://essuir.sumdu.edu.ua/handle/123456789/100079
Or use following links to share this resource in social networks:
Tweet
Recommend this item
Title | Novel Hybrid Approaches for Occupancy Prediction Using Temperature, Light and CO2 Level Supporting Electrical Energy Management |
Other Titles |
Нові гібридні підходи для прогнозування заповненості з використанням температури, освітлення та рівня CO2 для підтримки управління електроенергією |
Authors |
Ennejjar, M.
Ezzini, M. Jallal, M.A. Chabaa, S. Zeroual, A. |
ORCID | |
Keywords |
заповненість керування енергією багатошаровий персептрон гібридний підхід прогнозування occupancy energy management multi-layer perceptron hybrid approach prediction |
Type | Article |
Date of Issue | 2025 |
URI | https://essuir.sumdu.edu.ua/handle/123456789/100079 |
Publisher | Sumy State University |
License | Creative Commons Attribution 4.0 International License |
Citation | M. Ennejjar et al., J. Nano- Electron. Phys. 17 No 3, 03038 (2025) https://doi.org/10.21272/jnep.17(3).03038 |
Abstract |
У статті представлені нові гібридні підходи до прогнозування заповнюваності офісних приміщень
шляхом поєднання традиційних моделей зі штучними нейронними мережами. Зокрема, запропоновано дві гібридні моделі: наївний баєсівський класифікатор, інтегрований з багатошаровим перцептроном (NBC-MLP), та логістичний перцептрон зі змішаним виходом (LMOP). Ці моделі використовують
фактори навколишнього середовища, такі як температура, освітлення та рівень CO2, для прогнозування заповнюваності, що відноситься до задач прикладної фізики. Гібридні моделі розроблені для використання сильних сторін як традиційних моделей, так і нейронних мереж, підвищуючи точність прогнозування, зберігаючи при цьому простоту. Баєсівський класифікатор, відомий своєю простотою роботи
з категоріальними даними, доповнює здатність багатошарового перцептрона фіксувати складні взаємозв'язки в даних. Аналогічно, логістичний перцептрон зі змішаним виходом інтегрує логістичну регресію з нейронними мережами для покращення можливостей прогнозування. Результати показують,
що запропоновані гібридні моделі значно перевершують традиційні моделі, причому модель LMOP досягає точності 99,28%. Це свідчить про ефективність гібридних моделей у моделюванні складних моделей заповнюваності. Більше того, моделі стійкі до шумних даних та коливань умов навколишнього середовища, що робить їх придатними для реальних застосувань. Завдяки точнішому прогнозуванню заповнюваності, вони дозволяють краще контролювати системи опалення, вентиляції та кондиціонування повітря (HVAC) та освітлення, зменшуючи споживання енергії. This paper introduces novel hybrid approaches for predicting office space occupancy by combining conventional models with artificial neural networks. Specifically, we propose two hybrid models: the Naive Bayes Classifier integrated with a Multi-Layer Perceptron (NBC-MLP) and a Logistic Mixed-Output Perceptron (LMOP). These models use environmental factors such as temperature, light, and CO2 levels to predict occupancy. The hybrid models are designed to leverage the strengths of both conventional models and neural networks, enhancing predictive accuracy while maintaining simplicity. The Naive Bayes Classifier, known for its simplicity with categorical data, complements the Multi-Layer Perceptron’s ability to capture complex relationships in data. The results show that the proposed hybrid models significantly outperform conventional models, with the LMOP model achieving an accuracy of 99.28 %. This indicates the hybrid models’ effectiveness in modeling complex occupancy patterns. Moreover, the models are robust against noisy data and fluctuations in environmental conditions, making them suitable for real-world applications. These models also have practical applications for optimizing space utilization and improving energy efficiency. By predicting occupancy more accurately, they enable better control of HVAC systems and lighting, reducing energy consumption. |
Appears in Collections: |
Журнал нано- та електронної фізики (Journal of nano- and electronic physics) |
Views
Downloads
Files
File | Size | Format | Downloads |
---|---|---|---|
Ennejjar_jnep_3_2025.pdf | 800.97 kB | Adobe PDF | 0 |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.