Detecting CO2 anomalies using machine learning: case study of a library - Université d'Angers Accéder directement au contenu
Communication Dans Un Congrès Année : 2024

Detecting CO2 anomalies using machine learning: case study of a library

Résumé

Indoor air quality is a very important element of a healthy and comfortable environment. The use of low-cost sensors recording CO2 or other substances has become popular in recent years. However, the quantity and complexity of the data measured by these sensors present challenges for identifying anomalies and extracting meaningful information. This is where machine-learning techniques excel. As part of the ACQA project, a micro sensor composed of various air quality sensors was developed and deployed in a university library. This study examines the detection of anomalies in CO2 levels recorded, using various machine-learning models: K-Nearest Neighbors, Random Forest (RF), Gradient Boosting Regressor and Decision Tree Regressor. The models are evaluated based on their accuracy and efficiency in detecting anomalies. The results, quantified using R², RMSE and MAE indicators, and show that the RF model is the most accurate.
La qualité de l'air intérieur est un élément très important pour un environnement sain et confortable. L'utilisation des capteurs à faible coût, enregistrant les taux de CO2 ou d’autres substances, s’est répandue ces dernières années. Cependant, la quantité et la complexité des données mesurées posent des problèmes pour l'identification des anomalies et l'extraction d'informations significatives. C'est là que les techniques d'apprentissage automatique excellent. Dans le cadre du projet ACQA, un micro-capteur composé de différents capteurs de qualité de l'air a été développé et déployé dans une bibliothèque universitaire. Cette étude examine la détection d'anomalies dans les niveaux de CO2 enregistrés, en utilisant différents modèles d'apprentissage automatique : KNearest Neighbors, Random Forest (RF), Gradient Boosting Regressor et Decision Tree Regressor. Les modèles sont évalués en fonction de leurs précision et de leur efficacité à détecter des anomalies. Les résultats sont quantifiés à l'aide des indicateurs R², RMSE et MAE, et montrent que le modèle RF est le plus précis.
Fichier principal
Vignette du fichier
Detecting CO2 anomalies using machine learning case study of a library_vf.pdf (697.5 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04593183 , version 1 (29-05-2024)

Licence

Identifiants

  • HAL Id : hal-04593183 , version 1

Citer

Ayoub Hannad, Alain Godon, Franck Mercier, Charline Dematteo, Hassan Chehouani, et al.. Detecting CO2 anomalies using machine learning: case study of a library. IBPSA France 2024, May 2024, La Rochelle - Ile d'Oléron, France. ⟨hal-04593183⟩
8 Consultations
9 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More