基于朴素贝叶斯增量学习算法的个体热舒适预测模型

摘要

目前通过机器学习建立个体热舒适模型需要在建模前获得大量数据,不符合实际应用场景,并且更新模型以适应个体热舒适偏好随季节等因素变化的成本太高.基于朴素贝叶斯算法,使用增量学习方法建立和更新了热舒适模型,修改了模型中的先验概率和后验概率.通过实验数据验证,该方法平均学习26组样本后,预测结果即可与个体实际热期望保持高度一致(Kappa系数为0.699 4).并且相比已有的模型更新方法,本文提出的模型建立与更新方法节约了 17％的时间成本和90％以上的空间成本,更加适合部署到计算与存储资源较少的轻量化智能终端.