人员在室感知方法综述(2019)

陆蓓蓓,谢慧,郝斌,潘文宇,陆元元.人员在室感知方法综述[J].建筑科学,2019,35(10):84-91.
人员在室感知方法综述
［基金项目］“十三五”国家重点研发计划项目“近零能耗建筑技术体系及关键技术开发”( 2017YFC0702600) ; 国家自然科学基金面上项目“规范性用能反馈对居住者节能行为和建筑用能影响集控制策略研究”( 51878042)

人员在室感知方法综述

作者：陆蓓蓓¹，谢慧¹，郝斌²，潘文宇²，陆元元²
(1．北京科技大学，北京 100083; 2．深圳市建筑科学研究院，广东深圳 518049）

摘要

人员在室研究对建筑能源管理、室内环境和人员热舒适以及建筑能耗模拟工具的优化都至关重要。近年来，利用传感器进行人员在室感知是挖掘室内人员移动行为规律的有效手段，推动了人员在室研究的进一步发展。本文对当前国内外人员在室感知研究常用的技术和方法进行系统的归纳，指出了现有人员在室感知研究存在的主要问题，为未来进一步研究室内人员提供一些参考。

关键词

人员在室building occupancy
能源管理energy management
能耗模拟energy consumption simulation
传感器sensors

1.引言

建筑能耗占全球能源消耗总量的 30%以上［1］，建筑节能依旧是主旋律。室内人员是建筑的主要使用者以及能源消耗的行为主体［2］。人员在室的变化是影响建筑能耗的关键因素之一［3-5］。人员在室内的移动和行为存在规律的同时具有随机性和差异性［6-7］，建筑内各用能设备的设计和运行通常按最大化需求静态设置工作时间和状态，与人员在室实际动态需求并不相符，造成能源利用率低下［8-9］。

人员在室的变化同时也是造成建筑能耗不确定的关键因素之一［3］。人员在室信息是建筑能耗模拟工具(例如Energy Plus，DeST和TRNSYS)的重要输入参数［10］，在模拟工具中通常以作息时间表的形式存在［11］。然而，模拟软件中的人员作息时间表通常是由用户自定义输入［12］或者参考 ASHRAE 提供的固定时间表模型［13］，与实际人员作息存在较大差异，且不同作息模式对能耗模拟结果有重要影响［14］，导致能耗模拟结果准确性降低［15-16］。

为解决上述问题，近年来国内外较多学者开始探索人员在室的规律，以期人性化满足室内人员需求的同时优化建筑运行和管理，例如室内照明［17］或电器［18］控制，通风系统调节等［19-20］。这其中，获取人员在室的相关信息则成为首要和关键任务。最基本的方法就是实地调研和访问［21］，但是这种方法通常需要耗费较多人力成本，人工数据录入和处理存在不便，同时调查结果易受被访问者的主观因素影响［22］。近年来，随着传感、通信、计算机技术的飞快发展，利用传感器收集人员在室信息成为挖掘室内人员移动行为规律的有效手段［23］，也被称为人员在室感知(sensing) 。

本文根据传感器测量对象是否直接与人员相关将人员在室感知方法分为两类: 直接感知法和间接感知法，同时将人员在室感知内容分为探测和计数［24］，即某时刻室内是否有人(或何时有人) 及室内人数，对目前人员在室感知利用的传感器技术进行了系统的归纳和总结，最终指出了未来人员在室研究面临的主要问题。

1. 人员在室直接感知方法

直接感知法包括视频录像感知、被动式红外线感知、无线信号感知等。

1.1. 视频录像感知

视频监控是最直接的人员在室感知方法。从视频画面记录中可以直接获取非常全面的人员信息。但目前在人员在室研究中存在明显的阻力。首先，长期测量时，视频画面及相关数据需要大容量存储设备，费用高昂。其次，如何从视频图像中提取人员相关的数据信息也是重要问题。手动观察并记录数据较繁琐，若开发相关算法或程序从影像中提取人员信息，对于非专业人士存在较大困难［25］。最后，现实生活中最难以解决的问题则是隐私问题。因为在视频影像下，室内人员的所有动作都会被记录下来，通常房间内部不允许安装，因此利用视频监控进行人员在室的研究较少［26］。

1.2. 被动式红外感知

被动式红外(Passive Infrared，PIＲ) 传感器主要是通过检测人体在探测区域内移动造成的红外热辐射能量的变化来探测附近是否有人［27］。通常情况下，PIR常安装在出入口附近，通过输出信号高低判断人员是否经过进而探测室内是否有人［28-29］。

根据 PIR探测原理可知，PIR只对移动的目标敏感，不适用于静坐的人群，且仅凭信号高低难以简单分辨人员是进入还是离开室内，因此易产生错误判断，且难以提供准确的人数信息［30］。

为提升PIR对室内人员探测的准确性同时扩展其人员感知探测的应用范围，国内外学者进行了深入研究。Zappi等人［31］将3个PIR以固定特殊方式安装，采用遮挡部分观测域的方法，有效区分人员的运动方向和数量。Wahl等人［32］利用成对的PIR分别布置在办公室门进口侧和出口侧，通过两侧的信号输出的时间顺序判断人员进入或离开，从而实现对在室人员的数量预测。Raykov等人［33］尝试利用单个PIR感知人员进出某会议室时传感器输出信号频率和幅度变化规律推测在室人员的数量，虽然结果准确度较低，但仍然为利用PIR实现室内人员计数提供了新的思路。

现有研究中通常将其与其他传感器结合判断是否有人员在室内，例如门开关感应器［34］，视频［35］，以及下文将提到的其他传感技术等。利用PIR感知人员在室的相关研究见表1。

1.3. 无线信号感知

无线信号感知室内人员根据其原理可分为2类: 有源感知和无源感知。有源感知通过室内人员(识别目标) 身上携带的电子标签(移动设备) 发射或接收无线信号确定室内人员位置。无源感知方法则无需室内人员携带相关电子标签设备，而是利用人员对空间内的无线信号产生的折射、反射、吸收等干扰效应探测空间内是否有人，并估测室内人员数量［36］。

由于智能手机和Wi-Fi的广泛使用，利用手机Wi-Fi 有源感知室内人员的研究成为热点［37］。其基本原理为［38］: 在室内布置多个Wi-Fi的接入点(Access Point，AP)，用户设备开启Wi-Fi后即扫描并收集附近的AP信号。无论该信号是否加密或者用户设备是否与之连接，AP信号均能显示在无线信号列表中。每一个AP具有唯一标签参数，挖掘该AP与用户设备的信号通信时的相关参数变化即可计算出该设备的地理位置，将用户所在位置与所探测区域进行比较即可判断目标人员是否在探测区域内［39-41］，同时感知无线信号数量可推断出室内人员的数量［42-43］。

Wi-Fi有源感知方法存在一定误差，Android和Windows系统的手机用户可自行选择是否在锁屏后保持Wi-Fi信号处于可连接状态，而iOS系统的手机一旦锁屏就会进入睡眠状态关闭Wi-Fi连接来节省电量［41］。因此可能出现用户携带智能手机但Wi-Fi并未开启的现象。此外，由于主观性原因用户和手机有时并非一一对应关系，例如用户未携带手机或者一位用户携带多部手机。

除手机Wi-Fi外，射频识别技术(Radio Frequency Identification，RFID)［44］，Zigbee 无线［45］等技术也可进行有源感知。RFID 接收器一般需外部供电，安装灵活性不够，因此信号覆盖范围有一定局限性［46］。相较于RFID，Zigbee 无线技术安装和布置较为灵活，而且功耗和成本都较低，但其网络稳定性不足，数据传输范围亦受到限制［47］。因此，RFID和Zigbee 常见于较小空间尺度的无源感知研究中。Arai等人［48］提出利用Zigbee 信号强度变化探测某办公室内的人员密集程度和人员移动速度的方法。Yuan等人［49］利用聚类算法挖掘射频信号强度变化预测室内人员密度。Li等人［50］利用神经网络模型建立室内人员数量与Wi-Fi信号强度变化的关联。Xi等人［51］通过探索人员密度和人员移动引起的Wi-Fi信号通道状态变化规律预测某房间内的人员数量。无源感知的缺点在于除人员对无线信号的影响外，室内环境变化例如光照、温湿度、烟雾等以及室内物品布局也会对信号产生影响，且当室内人数较多时，人员数量变化或移动对无线信号影响程度比较微弱［48］。因此，无源感知方法更适合人员密度较低时的室内人员感知研究。利用无线信号感知在室人员的相关研究见表2。

1.4. 接触感知

除以上介绍传感技术外，部分研究利用传感器与人员接触进行感知。Labeodan［52］等人通过安装在椅子上的压力传感器感应是否有人坐在椅子上来判断人员是否在室，同时估测在室人员的数量。然而该方法存在一个缺点，不能感应出在室内未就坐的人员。同时该研究调查了员工对安装此类座椅传感器的意愿，15名员工中只有9人表示愿意在工作场所的椅子上安装压力传感器。Zhao［53］等人提出利用安装在鼠标和键盘上的传感器来感应是否有人员在使用办公电脑，从而判断人员在室的时间段和人员数量。但是该种方法同样也存在局限性，忽略了人员在室却没有使用计算机的情况，另外也存在侵犯用户隐私的问题。

2.人员在室间接感知方法

直接感知方法在现实生活中存在隐私侵犯的风险，导致在室内布置传感器时易受到用户的抵触。为了降低这种风险，研究人员开始尝试新的间接感知方法，即不直接感知室内人员，而是利用他们与建筑产生的交互信息与室内人员建立“弱关联”，主要包括环境传感器感知和能耗计量仪器感知。

2.1. 环境传感器感知

环境传感器主要指测量室内环境相关参数的传感器，包括CO₂浓度、温湿度、室内噪声、室内照度等等。随着生活水平的提高和室外空气环境的恶化以及人们对室内舒适度以及空气环境的关注度提升，越来越多的用户有更高的意愿主动在室内安装环境检测设备［54］，用户对安装环境传感器的接受程度相对较高。因此，近年来越来越多的学者开始尝试通过测量室内环境参数变化规律预测某空调区内的人员在室情况，实现对通风空调设备的新风供应或换气次数等进行动态调节，避免过度通风的同时可以节省能耗［19］。

CO₂浓度传感器是分析人员在室情况最常用的环境传感器之一。人体呼吸作用会产生一定水平的CO₂，室内CO₂浓度随时间、人数和通风情况呈现出不同的变化趋势，密闭情况下，时间越长，人数越多，室内CO₂浓度越高［55］，如图1所示。

利用CO₂浓度推测室内人员数量主要有2种方法。一是利用质量平衡方程建立CO₂浓度与室内人员数量的函数［56-58］，二是利用机器学习算法从历史数据中挖掘CO₂浓度的动态分布与室内人员数量的关联［59-60］。质量守恒模型具有较好的通用性，但当应用于多区域空间或涉及到多个空气处理单元时计算的复杂度会大幅度提升。而机器学习算法可高效挖掘各种环境数据变化规律，但其获得的人员在室模型通常只适用于本地环境。Zuraimi等人［61］将两者进行了对比，在一间可容纳200人的讲座会场进行了实验测试，结果表明两者都能获得较高的准确度，但基于机器学习算法的人员在室模型的预测性能更优。

无论采取何种方法，仅利用CO₂传感器感知室内人员变化仍存在局限性。CO₂传感器响应有一定延迟性，难以及时反映室内人员变动从而导致判断错误。其次，CO₂在空间分布存在异质性的问题［62］，导致CO₂传感器位置的选择会影响对数据获取的准确性和数据的代表性，例如当有人靠近CO₂传感器时，所测浓度可能会急剧上升，而当传感器放置在远离室内人员活动区域时，所测数据变化则不明显。此外，由室内人员自行调控导致的换气次数或门窗通风的变化也常被忽略。

结合CO₂传感器与其他环境传感器测量成为提高人员在室感知准确度的方法之一。人员在室对温度(T) 和相对湿度(RH) 等指标也有影响，但由于室内空调系统的恒温调节，室内温湿度变化与人员数量之间的关联相对较弱［63］。Szczurek等人［64］利用CO₂、温湿度传感器感知大学教室内的人员动态变化，采用2种机器学习算法建模后结果均显示3种参数组合后的人数预测的效果更佳。

良好的室内光环境和声环境是室内人员工作生活的必要条件，因此照度和声音强度传感器也是研究人员关注的重点。Candanedo等人［65］采用照度、CO₂、温湿度传感器探测某单间办公室的人员在室情况，实验结果表明仅照度参数即可准确判断是否有人员在室，且含有照度的任一组合的性能皆高于单一CO₂浓度或温湿度模型。除了照明灯具的使用，房间照度水平还取决于建筑的朝向、窗户面积(自然采光)等因素。用户是否有随手关灯的习惯也成为利用照度感知人员在室的重要影响因素。对于由室内照明灯具主导照度水平的房间，当房间照度水平达到设计标准值或满足室内人员需求时，照度水平不会随人数变化而变化，因此照度传感器的使用仅能用于室内人员探测。室内人员的交谈或其他活动会导致室内噪声水平的变化，因此声音强度也可作为感知室内人员的有效参数，但单独使用噪声传感器进行在室人员感知的研究较少［66］，通常与其他环境传感器结合感知室内人员［67］。表3总结了利用环境传感器感知室内人员的相关研究。

2.2. 能耗计量仪器感知

监测、收集建筑内人员生活和工作产生的能耗数据也是感知人员在室的重要手段之一［68］。常见的能耗计量仪器有智能电表，功率插座，功率计等。能耗监测可以根据安装位置不同分为侵入式和非侵入式［69］。侵入式指将仪器在建筑室内分散安装计量电器能耗，比如在室内的每个用电设备上安装传感器; 非侵入式则是安装在建筑或房间外部的电力入口处，通过分析整体电力负荷特征将不同的用电器分离开，从而识别单个电器的运行情况来估测人员在室情况［70］。对应的人员在室感知方法被称为侵入式能耗感知和非侵入式能耗感知。

目前，非侵入式能耗感知常见于住宅建筑内人员在室的研究中，即根据监测所得能耗数据划定人员在室时的能耗阈值，当能耗值显示高于该阈值时则认为人员在室［71-74］。但由于非侵入式感知收集整体电力负荷数据，容易受到不同用电习惯以及用电设备数量变化的影响，因此通常需要收集大量数据并进行深入数据分析和学习才能获得高准确度。Chen等人［71］对两户住宅建筑进行研究，发现其中一户因为家庭宠物的缘故即使人员外出也不会关闭空调。这种情况下，利用非侵入感知的方法来判断是否有人员在室的准确度难以保障。

侵入式感知在住宅建筑和办公建筑中都有体现。住宅建筑侵入式感知的仪器通常安装在电热水壶，电视机，电炊具，空调等电器中，尽量避免冰箱等长期待机的电器［75-76］。这样所获得的数据更为详细也更能反映出人员在室的规律。办公建筑中仪器可以根据室内人员的分布位置安装，例如 Akbar［77］将电表安装在四位员工的工位上，从而可以判断出员工在工位的时间段。若对室内所有工位都进行感知，在能判断出人员在室的时间段的同时也能预测不同时间段的人员数量。表4总结了利用能耗计量仪器感知室内人员的相关研究。

3.人员在室感知研究发展展望

3.1. 现有人员在室研究中的问题

人员在室感知研究对建筑节能管理、调控和评估以及建筑模拟软件优化有重要意义。利用传感器感知室内人员成为人员在室研究的主要手段。虽然近年来人员在室感知研究快速发展并取得了一定成果，但仍存在较多急需讨论和解决的问题。

3.1.1单一或组合传感器的选取标准

每种传感器都有其独特性和局限性，合理结合多种传感器进行人员感知，一定程度上可以提高人员在室感知的准确性。Zhang等人［78］采用CO₂和功率插座进行人员在室感知，实验结果表明结合两种参数建立的人员在室模型的准确度明显高于单一参数的模型。Amayri等人［79］利用声音传感器、被动式红外传感器以及功率计3种传感器分别建立了单一参数和组合参数的人员在室模型，发现3种传感器组合时模型的准确度最高。然而，不同传感器组合也可能产生负面影响。Hailemariam［80］等人利用CO₂、噪声、照度传感器以及功率表感知单人工位的使用情况，发现组合数据在分析之中存在过度拟合的风险，导致感知准确度降低。此外，还需衡量组合传感器带来的效益提升与其导致的边际成本。Hobson等人［81］结合手机Wi-Fi、CO₂、PIR和功率插座对1栋4层建筑进行人员在室感知实验，结果表明手机Wi-Fi单独感知的准确度已达到较高水平，四者的组合模型性能提升空间较小，其边际效益远低于边际成本。

现有研究多以单个、多个房间或空调区为实验对象，空间尺度和类型较为单一。当对象为大空间尺度例如建筑级别时，人员在不同房间或空调区内的移动将更为复杂，为更好实现人员与空间的准确匹配，还需考虑不同时刻内人员的位置和移动倾向，探索不同区域内人员变化的相关性和规律性。此时，间接感知方法似乎存在局限。如何根据不同类型建筑的实际需求以及不同传感器感知的优缺点选取合适的传感器目前仍无明确标准可供参考。

3.1.2. 传感器的最佳布局

传感器的布局指传感器在建筑中的布置位置和数量选取。由于室内人员活动的不确定性以及传感器的灵敏及精度要求，传感器位置对人员感知有重要影响，尤其对于环境传感器感知方法［82］。现有研究中传感器布置位置主要基于理论经验，其合理度并未得到证实。传感器数量直接关联到感知系统的经济效益。Dodier等人［83］采用多个PIR传感器感知室内人员，但部分空间内PIR传感器产生了超过50%的错误探测，而部分空间内传感器数量明显富余。Duarte等人［29］在某办公楼内布置了629个红外传感器，但获取的数据中约有 2.56%(约3940个样本) 属于无用数据而被删除。如何设计传感器在室内空间的最佳布局(传感器布置位置和数量) ，实现高效感知室内人员同时避免冗余或者不必要的测量从而保证良好的经济效益仍需进一步研究。

3.2. 人员感知未来研究方向

未来人员在室感知研究方向主要有以下几点：

低侵入性：随着人们对隐私的关注度逐渐提升，如何在精确获得室内人员信息的同时最大化降低室内人员的隐私侵犯感也是在实际建筑中进行人员感知的关键。
高经济性：当保证人员感知准确性的同时，经济效益将成为人员感知技术推广应用的决定性因素。未来研究中，经济性将与感知性能并存。
需求响应：人员感知的最终目的是为了实现高效、智能、人性化的建筑系统的控制。因此，如何实现人员在室感知技术与建筑设备系统之间的需求响应是终极目标。

参考文献

［1］ BP Energy Outlook 2019 ( BP 世界能源展望 2019) ［EB /OL］．
［2］李翠，李峥嵘，姚万祥．公共建筑内人员行为对建筑节能管理影响的因素分析［C］/ /上海市制冷学会．上海市制冷学会2011 年学术年会论文集．上海市制冷学会: 上海市制冷学会，2011: 325-330
［3］燕达，丰晓航，王闯，等．建筑中人行为模拟研究现状和展望［J］．建筑科学，2015，31( 10) : 178-187
［4］ Yan D，Hong T，Dong B，et al． IEA EBC Annex 66: Definition and simulation of occupant behavior in buildings［J］． Energy and Buildings，2017，156: 258-270
［5］ Ahn K U，Park C S． Correlation between occupants and energy consumption［J］． Energy and Buildings，2016，116: 420-433
［6］ Delzendeh E，Wu S，Lee A，et al． The impact of occupants’ behaviours on building energy analysis: A research review［J］．Renewable and Sustainable Energy Reviews，2017，80: 1061-
1071
［7］ Brom P，Hansen，AR，Kirsten G H，et al． Variances in residential heating consumption – Importance of building characteristics and occupants analysed by movers and stayers［J］． Applied Energy，2019，250: 713-728
［8］ Grabe J． How do occupants decide their interactions with the building? From qualitative data to a psychological framework of human-building-interaction ［J］． Energy Ｒesearch ＆ Social Science，2016，14: 46-60
［9］ Masoso O T，Grobler L J． The dark side of occupants’behaviour on building energy use［J］． Energy ＆ Buildings，2010，42( 2) : 173-177
［10］ Yang J，Santamouris M，Lee S E． Review of occupancy sensing systems and occupancy modeling methodologies for the application in institutional buildings［J］． Energy and Buildings，2016，121: 344-349
［11］王闯．有关建筑用能的人行为模拟研究［D］．北京: 清华大学，2014
［12］ Yan D，O’Brien W，Hong T，et al． Occupant behavior modeling for building performance simulation: Current state and future challenges［J］． Energy and Buildings，2015，107: 264-278
［13］ Ahn K U，Kim D W，Park C S，et al． Predictability of occupant presence and performance gap in building energy simulation［J］．Applied Energy，2017，208: 1639-1652
［14］耿阳，林波荣，彭渤．作息模式对建筑能耗模拟的影响分析［J］．建筑技术开发，2016，43( 4) : 78-84
［15］ Jang H，Kang J． A stochastic model of integrating occupant behaviour into energy simulation with respect to actual energy consumption in high － rise apartment building［J］． Energy and Buildings，2016，121: 205-216
［16］ Gaetani I，Hoes P J，Hensen J L M． Occupant behavior in building energy simulation: Towards a fit-for-purpose modeling strategy［J］． Energy and Buildings，2016，121: 188-204
［17］ De Bakker C，Aries M，Kort H，et al． Occupancy－based lighting control in open-plan office spaces: A state-of-the-art review［J］．Building and Environment，2017，112: 308-321
［18］ Zhao J，Lasternas B，Lam K P，et al． Occupant behavior and schedule modeling for building energy simulation through office appliance power consumption data mining ［J］． Energy and Buildings，2014，82: 341-355
［19］ Nassif N． A robust CO2-based demand-controlled ventilation control strategy for multi-zone HVAC systems［J］． Energy and Buildings，2012，45: 72-81
［20］ Kim J，Hong T，Lee M，et al． Analyzing the real －time indoor environmental quality factors considering the influence of the building occupants’behaviors and the ventilatio ［J］． Building and Environment，2019，156: 99-109
［21］ Chen J， Wang X， Steemers K． A statistical analysis of a residential energy consumption survey study in Hangzhou，China［J］． Energy and Buildings，2013，66: 193-202
［22］周亚苹，俞准，李郡，等．建筑用户在室行为测量方法及预测模型综述［J］．暖通空调，2017，47( 09) : 11-18
［23］ Saha H，Florita A R，Henze G P，et al． Occupancy sensing in buildings: A review of data analytics approaches［J］． Energy and Buildings，2019，188 /189: 278-285
［24］ Chen Z，Jiang C，Xie L． Building Occupancy Estimation and Detection: A Revie［J］． Energy and Buildings，2018，169: 260-270
［25］ Benezeth Y，Laurent H，Emile B，et al． Towards a sensor for detecting human presence and characterizing activity［J］． Energy and Buildings，2011，43(2 /3) : 305-314
［26］ Ming Jin， Data-efficient Analytics for optimal human-cyberphysical system［D］． Berkeley: University of California at Berkeley，2017
［27］梁光清．基于被动式红外探测器的人体识别技术研究［D］．重庆: 重庆大学，2009
［28］ Wang D，Federspiel C C，Ｒubinstein F． Modeling occupancy in single person office［J］． Energy and Buildings，2005，37( 2) : 121-126
［29］ Duarte C， Kevin V D W， Rieger C． Revealing occupancy patterns in an office building through the use of occupancy sensor data［J］． Energy and Buildings，2013，67: 587-595
［30］ Guan Q，Li C，Guo X，et al． Compressive classification of human motion using pyroelectric infrared sensors ［J］． Pattern Recognition Letters，2014，49© : 231-237
［31］ Zappi P，Farella E，Benini L． Enhancing the spatial resolution of presence detection in a PIR based wireless surveillance network［C］/ / IEEE Conference on Advanced Video ＆ Signal Based Surveillance． IEEE，2007
［32］ Wahl F，Milenkovic M，Amft O． A Distributed PIR － based Approach for Estimating People Count in Office Environments［C］/ / IEEE International Conference on Computational Science ＆ Engineering． IEEE，2012
［33］ Raykov Y P， Ozer E， Dasika G， et al． Predicting room occupancy with a single passive infrared ( PIR) sensor through behavior extraction［J］．ACM，2016: 1016-1027
［34］ Agarwal Y，Balaji B，Gupta Ｒ，et al． Occupancy－driven energy management for smart building automation［C］/ /ACM Workshop on Embedded Sensing Systems for Energy-Efficiency in Building．ACM，2010: 1-6
［35］ Erickson V L，Achleitner S，Cerpa A E． POEM: power-efficient occupancy-based energy management system［C］/ / International Conference on Information Processing in Sensor Networks． ACM，2013: 203-216
［36］赵化森．基于无线传感网的室内人员无源感知的研究［D］．济南: 山东大学，2014
［37］ Howard B，Acha S，Shah N，et al． Implicit sensing of building occupancy count with information and communication technology data sets［J］． Building and Environment，2019 157: 297-308
［38］李红丽．基于 Wi-Fi 的室内定位技术的研究［D］．北京: 北京交通大学，2014
［39］ Jiang Y F，Pan X，Li K，et al． AＲIEL: Automatic Wi-Fi based room fingerprinting for indoor localization［C］/ / ACM Conference on Ubiquitous Computing． ACM，2012，441-450
［40］ Lu X，Wen H，Zou H，et al．Ｒobust occupancy inference with commodity WiFi ［C］/ / 2016 IEEE 12th International Conference on Wireless and Mobile Computing，Networking and Communications ( WiMob) ． IEEE Computer Society，2016
［41］ Balaji B，Xu J，Nwokafor A，et al． Sentinel: occupancy-based HVAC actuation using existing Wi-Fi infrastructure within commercial buildings ［C］/ /ACM Conference on Embedded
Networked Sensor Systems，ACM，2013
［42］ Zou H，Jiang H，Yang J，et al． Non－intrusive occupancy sensing in commercial buildings［J］． Energy and Buildings，2017，154: 633-643
［43］ Wang W，Chen J，Hong T，et al． Occupancy prediction through Markov based feedback recurrent neural network ( M-FRNN) algorithm with WiFi probe technology ［J］． Building and Environment，2018，138: 160-170
［44］ Li N，Calis G，Becerik-Gerber B． Measuring and monitoring occupancy with an ＲFID based system for demand－driven HVAC operations［J］． Automation in Construction，2012，24: 89-99
［45］ Fadhlullah S Y，Ismail W． A Statistical Approach in Designing an RF － Based Human Crowd Density Estimation System［M］．International Journal of Distributed Sensor Networks，2016
［46］孙瑜，范平志．射频识别技术及其在室内定位中的应用［J］．计算机应用，2005，25( 5) : 1205-1208
［47］高明，吉祥，刘宇，等． ZigBee 技术在室内定位中的应用［J］．西安工业大学学报，2010，30( 1) : 9-12
［48］ Arai M，Kawamura H，Suzuki K． Estimation of ZigBee＇ s RSSI fluctuated by crowd behavior in indoor space ［C］/ / Sice Conference． 2010
［49］ Yuan Y，Zhao J，Qiu C，et al． Estimating crowd density in an RF－ based dynamic environment［J］． IEEE Sensors Journal，2013，13( 10) : 3837-3845
［50］ Li H，Chan E C L，Guo，et al． Wi－Counter: Smartphone-based people counter using crowdsourced Wi-Fi signal data［J］． IEEE Transactions on Human－Machine Systems，2015 45( 4) : 442-452
［51］ Xi W，Zhao J，Li X Y，et al． Electronic frog eye: Counting crowd using Wi-Fi ［C］/ / IEEE INFOCOM 2014 - IEEE Conference on Computer Communications． IEEE，2014
［52］ Labeodan T，Zeiler W，Boxem G，et al． Occupancy measurement in commercial office buildings for demand － driven control applications-A survey and detection system evaluation［J］． Energy and Buildings，2015，93: 303-314
［53］ Zhao Y，Zeiler W，Boxem G，et al． Virtual occupancy for real－time occupancy information in buildings ［J］． Building ＆ Environment，2015，93( 2) : 9-20
［54］周浩．基于室内环境测量数据的人行为识别方法研究［D］．天津: 天津大学，2016
［55］张孝东，王成端，唐中华．办公室二氧化碳浓度的测试实验分析［J］．制冷与空调( 四川) ，2013，( 3) : 301-303
［56］ Calì D，Matthes P，Huchtemann K，et al． CO2 based occupancy detection algorithm: Experimental analysis and validation for office and residential buildings［J］． Building and Environment，2015，86: 39-49
［57］ Jin M， Bekiaris-Liberis N， Weekly K， et al． Occupancy detection via environmental sensing［J］． IEEE Transactions on Automation Science ＆ Engineering，2016，99: 1-13
［58］ Wolf S，Cal D，Krogstie J，et al． Carbon dioxide － based occupancy estimation using stochastic differential equations［J］． Applied Energy，2019，236: 32-41
［59］ Jiang C，Masood M K，Soh Y C，et al． Indoor occupancy estimation from carbon dioxide concentration［J］． Energy ＆ Buildings，2016，131: 132-141
［60］ Rahman H，Han H． Bayesian estimation of occupancy distribution in a multi－room office building based on CO2 concentrations［J］．Building Simulation，2018，11: 575-583
［61］ Zuraimi M S，Pantazaras A，Chaturvedi K A，et al． Predicting occupancy counts using physical and statistical CO2-based modeling methodologies［J］． Building and Environment，2017，123: 517-528
［62］ Mahyuddin N，Awbi H． The spatial distribution of carbon dioxide in an environmental test chamber［J］． Building ＆ Environment，2010，45( 9) : 1993-2001
［63］ Zhang R，Lam K P，Chiou Y S，et al． Information － theoretic environment features selection for occupancy detection in open office spaces［J］． Building Simulation，2012，5( 2) : 179-188
［64］ Szczurek A， Maciejewska M， Pietrucha T． Occupancy determination based on time series of CO2， concentration，temperature and relative humidity［J］． Energy and Buildings，
2017，147: 142-154
［65］ Candanedo L M，Feldheim V． Accurate occupancy detection of an office room from light，temperature，humidity and CO2，measurements using statistical learning models［J］． Energy ＆ Buildings，2016，112: 28-39
［66］ Dong B，Andrews B，Lam K P，et al． An information technology enabled sustainability test－bed (ITEST) for occupancy detection through an environmental sensing network ［J］． Energy ＆ Buildings，2010，42( 7) : 1038-1046
［67］ Jia R，Jin M，Chen Z，et al． SoundLoc: Accurate room-level indoor localization using acoustic signatures ［C］/ / IEEE International Conference on Automation Science and Engineering．IEEE，2015: 186-193
［68］ Kim Y S，Srebric J． Impact of occupancy rates on the building electricity consumption in commercial buildings［J］． Energy and Buildings，2017，138: 591-600
［69］汪四仙，毕忠勤．非侵入式电力负荷测量技术研究［J］．上海电力学院学报，2017，33( 04) : 357-361
［70］张玉天，陈盛，尤兰．居民用电负荷非侵入式测量分解系统研究［J］．科技创新与应用，2019，( 16) : 38-40
［71］ Chen D，Barker S，Subbaswamy A， et al． Non － intrusive occupancy monitoring using smart meters［C］/ / Acm Workshop on Embedded Systems for Energy-efficient Buildings． ACM，2013
［72］ Kleiminger W， Beckel C， Santini S． Household occupancy monitoring using electricity meters［C］/ / ACM International Joint Conference on Pervasive ＆ Ubiquitous Computing． ACM，2015. 975-986
［73］ Tang G，Wu K，Lei J，et al． The meter tells you are at home! Non-intrusive occupancy detection via load curve data［C］/ / 2015 IEEE International Conference on Smart Grid Communications ( Smart Grid Comm) ． IEEE，2015
［74］ Razavi R，Gharipour A，Fleury M，et al． Occupancy detection of residential buildings using smart meter data: A large-scale study［J］． Energy ＆ Buildings，2019，( 183) : 195-208
［75］ Armel K C，Gupta A，Shrimali G，et al． Is disaggregation the holy grail of energy efficiency? The case of electricity［J］． Energy Policy，2013，52: 213-234
［76］ Kleiminger W，Beckel C，Staake T，et al． Occupancy Detection from Electricity Consumption Data［C］/ / ACM Workshop on Embedded Systems for Energy-efficient Buildings． ACM，2013
［77］ Akbar A， Nati M， Carrez F， et al． Contextual occupancy detection for smart office by pattern recognition of electricity consumption data［C］/ /2015 IEEE International Conference on Communications．2015: 561-566
［78］ Zhang B，Shen Y，Zhang L． Inferring building occupancy based on statistical modeling of multi － sensor data ［C］/ / IEEE International Conference on Automation Science and Engineering．IEEE，2016
［79］ Amayri M，Arora A，Ploix S，et al． Estimating occupancy in heterogeneous sensor environment［J］． Energy ＆ Buildings，2016，129: 46-58
［80］ Hailemariam E， Goldstein R， Attar R， et al． Real － time occupancy detection using decision trees with multiple sensor types［C］/ /2011 Symposium on Simulation for Architecture and Urban Design． 2014: 141-148
［81］ Hobson B W，Lowcay D，Gunay H B，et al． Opportunistic occupancy－ count estimation using sensor fusion: A case study［J］． Building and Environment，2019，159: 1-10
［82］ Chen Z，Zhu Q，Masood M，et al． Environmental Sensors based Occupancy Estimation in Buildings via IHMM－MLＲ［J］． IEEE Transactions on Industrial Informatics，2017，13( 5) : 2184-2193
［83］ Dodier R H，Henze G P，Tiller D K，et al． Building occupancy detection through sensor belief networks ［J］． Energy and Buildings，2006，38( 9) : 1033-1043