AutoTherm：车辆内热舒适预测的数据集与剔除研究
摘要：车辆等已知和可定制环境中的状态识别使对用户及其意图产生了新的见解。除了与安全相关的见解之外，例如疲劳，与用户体验相关的评估越来越重要。由于热舒适对整体舒适度至关重要，我们引入了一个数据集来预测车辆中的热舒适度，该数据集包含31个输入信号和基于21个被试的自我标定用户评分，评分基于7点Likert量表（-3至+3）。诸如环境温度、环境湿度、辐射温度和皮肤温度等信号在预测中具有更高的影响力。利用现代机器学习架构，我们不仅能够自动识别人类的热舒适状态，还能预测未来的状态。我们提供了关于如何训练基于循环网络的分类器的详细信息，并对我们提出的热舒适数据集进行了初步的性能基准测试。最后，我们将我们收集的数据集与公开可用的数据集进行了比较。
作者：Mark Colley, Sebastian Hartwig, Albin Zeqiri, Timo Ropinski, Enrico Rukzio
论文ID：2211.08257
分类：Human-Computer Interaction
分类简称：cs.HC
提交时间：2023-05-30