Predicción del comportamiento de ocupantes de edificios de oficina en base a variables de confort térmico mediante machine learning

Los trabajadores de oficinas se encuentran la mayor parte del tiempo al interior de un edificio, y con ello, las variables físico-ambientales comienzan a presentar una importancia en la productividad y desempeño de ellos. Este estudio relaciona los modelos de machine learning con el comportamiento de los ocupantes y la productividad autoevaluada que presentan, mediante el uso de diferentes modelos. Estos modelos se implementaron para reconocer y comparar cuáles de ellos permiten estimar de mejor forma este comportamiento, en particular, la productividad autoevaluada que las personas sienten en su espacio de trabajo. Para ello, se recogieron las variables físico-ambientales y la percepción de los ocupantes de diversos edificios de oficina en la ciudad de Concepción. Este estudio logra comparar el desempeño de cuatro modelos de machine learning (árbol de decisiones, K-Nearest Neighbor, modelo de bayes y red neuronal), el desempeño de estos se midió mediante los indicadores denominados Accuracy, Precision y Recall. Estos modelos se implementaron tanto para una base de datos original como en una base de datos balanceada, para luego comparar los resultados obtenidos. Se puede establecer que existe una relación entre las variables físico-ambientales y la productividad autoevaluada de los trabajadores. Así mismo, se puede mencionar que la red neuronal es el modelo que mejor describe esta relación y, por ende, el que mejor desempeño logra. Este estudio permite un acercamiento a comprender el comportamiento de los ocupantes desde una perspectiva del machine learning.