Room occupancy estimation based on smart sensing
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2023-08-21
Department
Major/Subject
Control, Robotics and Autonomous Systems
Mcode
ELEC3025
Degree programme
AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)
Language
en
Pages
73
Series
Abstract
Occupancy estimation can play an important role in reducing energy consumption for both HVAC and lighting systems in buildings. Furthermore, the information is also important for building management. There are several sensing methods for occupancy estimation, which include motion sensors, environmental sensors, cameras, and WiFi traffic metrics. The occupancy estimate is most often acquired with machine learning (ML) models, and alternatives include models created with physics equations and machine vision methods. This thesis investigates occupancy estimation through the use of multiple environmental sensors, and an occupant counting camera with ML methods. The thesis investigates the performance of the occupant counting camera. Then the best features and ML models for occupancy estimation are analysed. Finally, the the ML model performance is compared to the occupant counting camera. The experiment was conducted in a small meeting room where the number of occupants ranged from 0 to 5. The environmental sensors include temperature, humidity, and CO2 sensors. Six machine learning algorithms were compared, namely Support Vector Machines (SVM), Random Forest, Multilayer Perceptron (MLP), Linear Discriminant Analysis (LDA), k-Nearest Neighbors (KNN), and Decision Trees (DT). The results of the occupancy estimation indicated that the occupancy count obtained from the camera did not contribute significantly to improving the accuracy of ML model occupancy estimation. However, when included the accuracy was reduced slightly, but RMSE improved significantly. The best accuracy of 0.79 was achieved by utilising a KNN model, which exceeded the accuracy of the camera occupant estimator. The results indicates that CO2 is the single most important measurement for occupancy estimation, although better performance could be achieved when multiple sensors are used.Informationen om antalet personer i byggnader och enskilda rum kan spela en viktig roll för att minska energiförbrukningen för både luftkonditionering och belysningssystem i byggnader. Dessutom är information också viktig för byggnads skötsel, där informationen kan användas för att optimera hur byggnaden används. Det finns flera typer av sensorer med vilket uppskattning av antalet personer i ett utrymme kan uppnås. Exempel på sådana sensorer är rörelsesensorer, koldioxid sensorer, och kameror. Detta kan även uppnås genom att analysera WiFi trafik. Uppskattningen på antalet personer skapas oftast med maskininlärnings modeller, men det finns också andra metoder, till exempel modeller baserade på fysikekvationer. Detta diplomarbete uppskattar antalet personer i ett rum med en maskininlärningsmodell. Detta inkluderar analys i vilka sensor mätningar är viktiga för person antals uppskattning och vilka maskininlärnings metoder fungerar väl för ändamålet. Dessutom jämförs uppskattnings noggranheten av en kamera baserad personräknare med maskininlärningsmodellen. Sensorerna som används av maskininlärningsmodellen inkluderar temperatur, luftfuktighet, koldioxid, och den kamera baserade person räknaren. De jämförda maskininlärning metoderna är Support Vector Machines (SVM), Random Forest, Multilayer Perceptron (MLP), Linear Discriminant Analysis (LDA), k-Nearest Neighbors (KNN) och Decision Trees (DT). Experimentet utfördes i ett universitets mötesrum där antalet personer varierade från 0 till 5 personer. Resultaten visade att personantals uppskattningen från kameran inte bidrog väsentligt till att förbättra noggrannheten av maskininlärnings modellen. I stället uppnåddes den bästa noggrannheten på 79 procent genom att använda en KNN-modell som matas all mätdata utom kamerans personantals uppskattning. KNN-modellen överskred kamerans personantals uppskattnings noggrannhet. När kamerans personantal uppskattning inkluderades i informationen som matas till maskininlärnings modellen minskade noggrannheten med en procentenhet, men kvadratiska medelvärdet förbättrades avsevärt. Från resultaten kan det även konstateras att koldioxid sensorer är den enskilt viktigaste sensorn, men bättre uppskattnings noggrannhet kan uppnås då flera sensorer används.Description
Supervisor
Ihasalo, HeikkiThesis advisor
Huotari, MattiKeywords
indoor occupancy estimation, camera, environmental sensor, machine learning