УЧЕТ ПОВЕДЕНЧЕСКИХ ФАКТОРОВ ПОЛЬЗОВАТЕЛЕЙ ПРИ ОБУЧЕНИИ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ УПРАВЛЕНИЯ МИКРОКЛИМАТОМ
Аннотация: рассматривается проблема учета поведенческих факторов пользователей при обучении моделей искусственного интеллекта для управления микроклиматом и системами рекуперации воздуха. Актуальность исследования обусловлена устойчивым расхождением между проектными и фактическими показателями энергопотребления и комфорта, известным как «энергетический разрыв», причина которого кроется в игнорировании реальных поведенческих паттернов пользователей. Проведен анализ современной научной литературы, включая исследования в области occupant-centric control, прогнозного моделирования и обучения с подкреплением, а также действующих нормативных документов (ГОСТ 30494-2011, СП 60.13330.2020, ASHRAE 55). Показано, что существующие подходы — статическая профилизация, прогнозное моделирование и динамическая адаптация — обладают ограничениями, связанными с ригидностью, пассивностью или вычислительной нестабильностью. Предложена четырехуровневая методология, включающая мультимодальный сбор поведенческих данных, кластеризацию пользователей, обучение с подкреплением с поведенчески-ориентированной функцией награды и семантическую интерпретацию намерений на основе больших языковых моделей. Обоснована необходимость создания открытых поведенческих датасетов, внедрения поведенческих метрик в процедуры сертификации зданий, обеспечения прозрачности рекомендаций ИИ и проведения долгосрочных полевых испытаний. Сделан вывод о том, что интеграция поведенческих факторов в обучение моделей ИИ является необходимым условием достижения целей энергоэффективности и комфорта, декларируемых в стратегических программах развития строительного комплекса.
Ключевые слова: управление микроклиматом, рекуперация воздуха, поведенческий фактор, искусственный интеллект, обучение с подкреплением, пользовательско-ориентированный подход, энергоэффективность, поддержка принятия решений.
https://doi.org/10.68367/33471
Системы управления микроклиматом, включая установки рекуперации воздуха, традиционно проектируются исходя из нормативных требований к параметрам воздушной среды и типовых сценариев occupancy. Однако реальная эксплуатация демонстрирует устойчивое расхождение между проектными допущениями и фактическим поведением пользователей. Это расхождение получило в зарубежной литературе название «энергетического разрыва» (energy performance gap) и проявляется в том, что фактическое энергопотребление систем вентиляции и кондиционирования может существенно превышать расчётное, а уровень удовлетворённости микроклиматом остаётся низким даже при формальном соблюдении нормативных диапазонов. Причина кроется в том, что поведенческие факторы – открывание окон, ручная корректировка уставок, изменение режимов работы рекуператора, отключение приточной вентиляции на длительное время – не являются случайными отклонениями.
Они образуют устойчивые паттерны, различающиеся у отдельных пользователей и групп. Игнорирование этих паттернов при обучении моделей искусственного интеллекта приводит к тому, что алгоритм оптимизирует систему в «виртуальной» среде, слабо связанной с реальной динамикой теплового и воздушного баланса помещения. Проблема усугубляется тем, что нормативная база, включая ГОСТ 30494-2011 и СП 60.13330.2020, устанавливает требования к параметрам микроклимата, но не регламентирует способы учёта поведенческой неоднородности пользователей при проектировании интеллектуальных систем управления. Федеральный закон № 261-ФЗ ориентирует на снижение удельного энергопотребления зданий, однако механизмы достижения этой цели через адаптацию к поведению occupants остаются вне нормативного поля.
Таким образом, ключевая научная проблема состоит в отсутствии методологии, позволяющей системно интегрировать поведенческие факторы в процесс обучения моделей ИИ для управления микроклиматом, обеспечивая одновременно энергетическую эффективность, тепловой комфорт и сохранение автономии пользователя. Современные исследования в области occupant-centric control (OCC) можно условно разделить на три парадигмы, различающиеся глубиной учёта поведенческих факторов. Статическая профилизация основана на кластеризации пользователей по результатам опросов или статистическим признакам. Так, Straub и Volmer с использованием Q-метода и метода главных компонент выделили пять профилей домохозяйств: оптимисты, чувствительные к приватности, технологически подкованные, скептики и апатичные пользователи, продемонстрировавшие значимые различия в доверии к системам управления и готовности к взаимодействию.
Anik et al. применили двухступенчатую кластеризацию к данным 761 домохозяйства и выделили пять моделей пользователей, различающихся мотивацией комфорта и моделями потребления. Сильной стороной подхода является интерпретируемость и возможность решения проблемы «холодного старта» путём отнесения нового пользователя к существующему прототипу. Однако статические профили ригидны и не отражают сдвиги предпочтений в реальном времени. Прогнозное моделирование с использованием supervised learning (LSTM, Bi-LSTM, SVM, случайные леса) позволяет предсказывать действия пользователей на основе исторических временных рядов.
Например, в исследовании, охватившем 50 домохозяйств, логистическая регрессия и случайные леса идентифицировали температуру выше 24 °C и концентрацию CO₂ выше 800 ppm как ключевые триггеры открывания окон, что позволило достичь 18%-ной экономии энергии HVAC при 95%-ном соблюдении требований к качеству воздуха. Кластеризация 150 участников выявила три поведенческих сегмента – «искатели комфорта» (33%), «энтузиасты качества воздуха» (34%) и «пассивные пользователи» (33%), – демонстрирующих различные суточные паттерны вентиляции. Ограничением прогнозных моделей остаётся их пассивный характер: они обучаются на офлайн-данных и испытывают затруднения при нерегулярном поведении или резких концептуальных сдвигах. Динамическая адаптация на основе обучения с подкреплением (RL) представляет собой наиболее перспективное направление.
Rajuroy et al. и Suman et al. показали, что RL-агенты способны непрерывно персонализировать управление без размеченных исторических данных. В полевом эксперименте в академическом учреждении Оттавы алгоритм multi-armed bandit обучался тепловым предпочтениям на основе несанкционированных пользователем переопределений термостата, достигая экономии до 12,7% по сравнению со статическими уставками. Однако RL-подходы характеризуются высокими вычислительными затратами и нестабильностью на начальной фазе исследования. Интеграция поведенческих моделей в контуры модельно-прогнозного управления (MPC) остаётся нерешённой задачей.
Систематический обзор MPC-исследований с реалистичными поведенческими входами выявил, что подавляющее большинство работ ограничивается симуляционными испытаниями, реальных внедрений крайне мало. Перспективным направлением признаётся использование больших языковых моделей (LLM) в качестве когнитивного слоя, переводящего неструктурированные наблюдения в структурированные семантические состояния. Экспериментальное исследование с 13-часовым кейсом в жилой лаборатории Техаса показало, что LLM-MPC сокращает энергопотребление теплового насоса на 60,4% и время дискомфорта на 48,1% по сравнению с базовым прогнозным контроллером. Международные стандарты ASHRAE 55 и ISO 7730 оперируют индексами PMV и PPD, предполагающими усреднённого пользователя с фиксированными метаболическими и одежными параметрами.
Эти индексы не учитывают адаптивное поведение и индивидуальные различия, что признаётся их фундаментальным ограничением. Предлагаемая методология базируется на трёхуровневой архитектуре, объединяющей поведенческую сегментацию, обучение с подкреплением с поведенчески-ориентированной функцией награды и семантическую интерпретацию намерений пользователя. Уровень 1. Мультимодальный сбор и предобработка поведенческих данных.
Источниками данных выступают: датчики температуры, влажности и CO₂, установленные в обслуживаемой зоне, датчики открывания окон и дверей, журналы взаимодействия с термостатами и мобильными приложениями, данные о присутствии (PIR-сенсоры, Wi-Fi-подключения). Ключевое требование – синхронизация временных рядов с частотой не реже одного измерения в 10 минут, что соответствует практике, апробированной в пилотных исследованиях. Предобработка включает фильтрацию выбросов, восполнение пропусков и формирование поведенческих признаков: продолжительность проветривания, частота ручных корректировок, временные интервалы между действиями. Уровень 2.
Поведенческая кластеризация и формирование профилей. На основе агрегированных признаков применяется кластеризация методом K-means с предварительным снижением размерности (PCA). Оптимальное число кластеров определяется по силуэтному коэффициенту. Апробация на данных 150 участников показала устойчивое выделение трёх поведенческих сегментов, различающихся триггерами и временными паттернами вентиляции.
Каждому кластеру ставится в соответствие вектор начальных параметров поведения, используемый для инициализации RL-агента и решения проблемы «холодного старта». Уровень 3. Обучение с подкреплением с поведенчески-ориентированной наградой. Функция награды конструируется как взвешенная сумма трёх компонент: энергетической (штраф за потребление), комфортной (отклонение от персональной зоны комфорта) и поведенческой (штраф за избыточные ручные вмешательства, сигнализирующие о недоверии к автоматике).
Веса подбираются методом байесовской оптимизации на валидационной выборке. Агент обучается в симуляционной среде, построенной на цифровом двойнике конкретного помещения, что позволяет избежать рисков для реальных пользователей на этапе исследования. Уровень 4. Семантическая интерпретация намерений.
Для преодоления разрыва между низкоуровневыми сенсорными сигналами и целями пользователя применяется компонент на основе LLM, переводящий последовательности поведенческих событий в семантические метки («пользователь готовится ко сну», «помещение используется для интенсивной физической активности»). Эти метки уточняют границы комфорта и прогнозы теплопритоков в контуре MPC. Валидация методологии предполагает трёхэтапную процедуру: (1) ретроспективное тестирование на архивных данных с известными поведенческими паттернами, (2) закрытое симуляционное испытание в среде с цифровым двойником, (3) полевой пилот продолжительностью не менее одного отопительного и одного переходного периода. Выводы и предложения по решению проблем.
Проведённый анализ позволяет сформулировать следующие выводы. Во-первых, поведенческие факторы не могут рассматриваться как шум или случайные возмущения в контуре управления микроклиматом. Они обладают устойчивой структурой, поддающейся кластеризации и прогнозированию, что подтверждается воспроизводимостью поведенческих сегментов в независимых исследованиях. Во-вторых, существующие нормативные документы (ГОСТ 30494-2011, СП 60.13330.2020, ASHRAE 55) ориентированы на усреднённого пользователя и не содержат механизмов учёта поведенческой неоднородности при проектировании интеллектуальных систем управления.
Целесообразно инициировать разработку методических рекомендаций, дополняющих действующие стандарты требованиями к сбору и использованию поведенческих данных в системах автоматизации зданий. В-третьих, наиболее перспективной архитектурой является гибридная схема, сочетающая кластеризацию для инициализации, обучение с подкреплением для адаптации и LLM-компонент для семантической интерпретации намерений. Такая архитектура демонстрирует существенное улучшение показателей по сравнению с традиционными подходами: снижение энергопотребления на десятки процентов при одновременном повышении соблюдения требований к комфорту. В качестве практических предложений следует выделить: Разработку открытых поведенческих датасетов с аннотациями действий пользователей в системах вентиляции и рекуперации.
Отсутствие таких данных признаётся критическим узким местом в развитии области. Внедрение поведенческих метрик в процедуры сертификации энергоэффективных зданий, что позволит оценивать не только расчётные, но и фактические показатели с учётом поведения occupants. Создание механизмов прозрачности и объяснимости рекомендаций ИИ для пользователей. Исследования показывают, что доверие к автоматике существенно возрастает, когда решения системы сопровождаются понятными обоснованиями, а пользователь сохраняет возможность вмешательства.
Проведение долгосрочных полевых испытаний с охватом различных типов зданий, климатических зон и поведенческих культур. Большинство существующих результатов получено в симуляционных средах или краткосрочных пилотах, что ограничивает переносимость выводов. Таким образом, интеграция поведенческих факторов в обучение моделей ИИ для управления микроклиматом представляет собой не факультативное усовершенствование, а необходимое условие достижения целей энергетической эффективности и комфорта, декларируемых в нормативных документах и стратегических программах развития строительного комплекса.
Полная версия статьи PDF
Номер журнала «Вестник науки» № 10 (103) том 3
Ссылка для цитирования:
УЧЕТ ПОВЕДЕНЧЕСКИХ ФАКТОРОВ ПОЛЬЗОВАТЕЛЕЙ ПРИ ОБУЧЕНИИ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ УПРАВЛЕНИЯ МИКРОКЛИМАТОМ // Журнал «Вестник науки» от 18 октября 2026 г. № 10 (103) том 3. С. 866 - 874. 2026 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/33471 (дата обращения: 12.11.2026 г.)
Альтернативная ссылка латинскими символами: vestnik-nauki.com/article/33471
Нашли грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики) ?
- напишите письмо в редакцию журнала: zhurnal@vestnik-nauki.com
