（图一）预测数据

（图二）远程实时提供数据

（图三）数据参考

（图四）数据分类

监测建筑物居住者的热舒适度对于确保住宅建筑的可持续和高效的能耗至关重要。但残疾人在表达热舒适度方面可能遇到困难，这进一步使评估和监测复杂化。为了克服这种缺陷，我们提出了一个新的学习模型，使用深度神经网络。该模型可以实时预测不同能力人群的室内热舒适度，便于远程监控。我们使用新的物联网（IOT）架构生成真实的数据集。我们的架构还包括数据收集方案，以确保有效的收集过程，在将目标数据传送到云服务器以进一步的数据分析之前能够收集它们。实验结果表明，我们的数据收集方案在收集有用和有针对性的数据方面的可靠性，以及我们基于深度学习的模型的效率，分别达到了94%的精度和98%和97%的精度和召回率。 英国国家统计局的数据显示，在2017至2018年的冬季，约有50, 100人居家过冬死亡。因此，舒适度受到室内舒适度的强烈影响。因此，对热舒适度的实时评估对于改善建筑居住者的室内气候至关重要。

预测平均投票指数（PMV）基于六个主要参数。此前预测的不满意百分比衡量的热不满意者感到太冷或太暖的百分比如图。深度学习是一种先进的机器学习算法，其性能优于传统的机器学习方案，它包括三个层次:输入、隐藏和输出。通常，深度学习网络可以具有多达150个隐藏层。因此，深度学习可以有效地建模包括相关热舒适数据的数据之间的复杂非线性关系。通过深度学习网络来建模研究热舒适性预测。最终的预测模型可以帮助根据残疾人的预测舒适度有效地管理暖通空调系统。

数据获取方式：(i)从A.P.E.I.大楼收集数据；(ii)向远程云传输数据；(iii)利用深度学习算法进行数据存储和处理，以便进行有效的决策。室内热舒适度数据获取：传感器节点以覆盖所有房间放置在建筑物中，并每月一次维护。传感器节点周期性地将感测到的数据(如湿度、室内温度和风速)传输到远程云数据中心以进一步处理。数据质量越高，数据发送越频繁。由于y是分类数据(七类预测平均投票(PMV))，我们使用监督分类学习。采用人工神经网络分类器（ANC）建立预测平均投票（PMV）类预测模型。

数据清洗：使用Min/Max缩放方法将数据值放置在相同的范围和缩放中。并将75%的数据用于模型训练，25%的数据用于测试。ANC主要包括：(i)与我们的八个输入特征相对应的八个神经元的输入层；(ii)将输入映射到输出的六个神经元的三个隐藏层；(iii)与预测的平均投票(PMV)值相对应的输出层。将训练集多次并传递到神经网络的隐藏层。为了提高精度，使用随机梯度下降算法在每个时期更新神经层的参数。

验证本方案的性能:(1)避免采集不期望的、冗余的和过期的数据，同时解决数据采集过程的消息开销；(2)提高室内热舒适度的预测精度。在增加房间数（A）和迭代数（B）后。可以发现该方案比其他方案表现得更好。这主要是由于动态传感器的睡眠时间，这取决于每个传感器数据之间的相异比率。此外，我们观察到基于大时间间隔的方案生成最低的数据聚合率。使得所收集的数据包的数量来看开销减少（C、D）。根据上述度量比较机器学习算法(Logistic回归分类器(LRC)、朴素贝叶斯分类器(NBC)、决策树分类器(DTC)和ANC)。可以看出ANC更适合于预测和监测残疾人的预测平均投票(PMV)感觉。如图给出了对测试子集的预测模型的评估，即对从未被创建的学习模型处理的数据的评估。

我们观察到ANC算法在相对预测误差(A)、预测地面真值(B)和预测精度(C)方面优于所有其他算法。与其他算法相比，Logistic回归分类器(LRC)算法产生最差的性能。这些结果证实了表5中获得的结果，显示了ANC算法的效率及其在预测平均投票(PMV)感觉中的准确性。为了进一步研究残疾对热舒适感觉的影响，图B-C-D比较了使用我们的ANC算法预测的预测平均投票(PMV)值、无残疾者的预测平均投票(PMV)值和三个人的预测平均投票(PMV)感觉.每一个人都有身体、学习或神经残疾。图B清楚地说明了算法在预测身体残疾者的预测平均投票(PMV)值中的准确性。

基于这些结果，我们的方案在数据收集效率和预测平均投票(PMV)预测精度方面优于比较方案。我们可以推断，我们的数据收集方案通过避免收集不需要的数据和引入可接受的网络开销，提供了有效和可靠的数据收集过程。并且ANC算法表现出良好的性能，因为它显著地提高了模型预测精度。此外，我们的研究结果证实，有残疾者和无残疾者之间存在显著的热感觉变化，这也证实了在此前获得的结果。如前所述，这些特定的热感觉主要是由于残疾本身，并且因残疾而异。因此，我们的深度学习模型不仅可以预测残疾人的热舒适度，而且可以提高一年四季的舒适度。

本文旨在研究一种新的残疾人热舒适感预测模型的开发。这项研究基于现有的热预测平均投票（PMV）感觉，并且针对三种主要的残疾人类型：身体、学习、智力和神经障碍。因此，我们收集了有关十个残疾人六个月热舒适度的真实数据。然后，建立了残疾人预测平均投票率的预测模型。这项研究得出以下结论：

残疾人的反应感存在差异，尤其是对轻微凉爽、凉爽和凉爽的感觉的预测平均投票(PMV)之间存在差异，这主要是由于残疾本身。无残疾者和有学习障碍和神经障碍者之间的热感觉存在差异。这些变化主要发生在对冷和冷的预测平均投票数(PMV)、略冷和略暖、略冷和冷以及热和略暖的条件下。因此，应将残疾人的热舒适性与非残疾人分开考虑。

新预测模型对残疾人热感觉的预测准确率为94%，准确率为98%，召回率为97%。所建立的模型可用于预测残疾人住宅建筑室内热舒适度。因此，我们的模型可以帮助建筑经理在观察建筑物的不适状况时采取适当的行动。在未来的工作中，我们将通过考虑更多的其他残疾人来扩展我们的真实数据集。此外，我们采用分布式的深入学习方案，以确保人们热舒适数据的隐私。