Mam czujnik dwutlenku węgla MH-Z14 i używam go do wykrywania, kiedy pomieszczenie może wymagać świeżego powietrza. Zauważyłem jednak również, że odczyt czujnika drastycznie wzrasta, gdy człowiek jest obecny w pokoju, a zwłaszcza w pobliżu samego czujnika.
Zastanawiam się, czy ktoś próbował wykorzystać bieżącą wartość CO2 w pomieszczeniu do wykrycia przybliżonej liczby osób w pomieszczeniu i jak to możliwe i dokładne?
Komentarz @ jsotola (coś w stylu: „Brzmi jak coś, co uczenie maszynowe mogłoby zrobić”) jest prawdopodobnie poprawną odpowiedzią, ale rozwinę ją nieco.
Będzie zależeć co najmniej od następujących czynników:
Używałem danych z czujnika CO 2 , aby w przybliżeniu oszacować obłożenie pokoju w przeszłości dla jednego pokoju, nie skończyłem wtedy na ścieżce uczenia maszynowego, raczej używając takich rzeczy, jak szybkość zmian CO 2, aby dać wskaźnik (im więcej osób, tym szybciej wartość wzrosła). Ale gdybym to zrobił ponownie, prawdopodobnie zacząłbym gromadzić dane, które mogłyby posłużyć jako materiał szkoleniowy.
Warto również połączyć dane z innym czujnikiem, np. Czujnikiem wilgotności względnej, ponieważ może on również wzrosnąć w tym samym czasie.
Wygląda na to, że już przeprowadzono pewne badania nad tym - Wykrywanie przez proxy: Wykrywanie obecności na podstawie stężenia CO 2 w pomieszczeniu opisuje model opracowany na Uniwersytecie Kalifornijskim w Berkeley w celu wykrycia obecności na podstawie stężenia CO 2 .
Proponujemy model łącza, który wiąże pomiary zastępcze z nieznanymi wskaźnikami emisji człowieka w oparciu o model oparty na danych, który składa się ze sprzężonego układu równań różniczkowych cząstkowych (PDE) - zwykłych równań różniczkowych (ODE).
Ich model jest najwyraźniej dokładniejszy niż inne testowane modele uczenia maszynowego:
Wnioskowanie o liczbie osób przebywających w pomieszczeniu na podstawie pomiarów CO2 na nawiewie i nawiewie powietrza poprzez wykrywanie przez proxy przewyższa zakres algorytmów uczenia maszynowego i osiąga ogólny średni błąd kwadratu wynoszący 0,6569 (osoba ułamkowa), podczas gdy najlepszą alternatywą dla Bayesa jest 1,2061 (ułamkowa osoba).
Algorytm 1 (s. 3) w pracy może dać wskazówki, jak zaimplementować podobny system do ich, co wydaje się zaskakująco niezawodne, biorąc pod uwagę uproszczoną naturę czujnika CO 2 .