Presentation Information
[B-15-37]Construction and Evaluation of CO2 Concentration Prediction Models in University Classrooms
◎△Anzu Mineda1, Koichiro Tanaka1 (1. Kyushu Sangyo Univ.)
Keywords:
Machine Learning
近年，教育施設では，CO2濃度の上昇が学習効率や認知機能の低下を招く可能性が指摘されており，室内環境の快適性や感染症対策の観点からCO2濃度の監視が重要となっている．しかし，監視システムの多くは現在値の表示や閾値超過時の通知に留まり，CO2濃度が上昇する前の換気は困難である．そこで，本研究では大学教室を対象に，将来のCO2濃度を予測する機械学習モデルを構築するとともに，特徴量の違いが予測精度に与える影響を評価した．モデルの構築には，本学5教室に設置した環境センサから収集した約69万件のデータを用いた．予測アルゴリズムにはXGBoostを採用し，各教室について30分後，60分後，90分後のCO2濃度を予測するモデルを構築した．予測精度は平均絶対誤差（MAE）で評価した．また，CO2濃度や環境情報，時刻から構成されるベースモデルに加え，日付情報を追加したモデル，さらに試験期間や休業期間，祝日などの学年暦情報を追加したモデルを作成し，比較した．評価実験の結果，全教室を統合した単一モデルと比較して，教室ごとに個別のモデルを構築することで予測精度が大幅に向上した．これは，各教室で利用形態や換気状況，空調制御などが異なり，CO2濃度の変動特性が教室固有であるためと考えられる．また，日付情報を追加したモデルでは，全教室および全予測時間幅においてベースモデルより高い予測精度が得られた．一方，学年暦情報を追加した場合の改善は限定的であり，日付情報が学年暦に起因する季節性や授業スケジュールの特徴を一定程度包含していることが示唆された．さらに，予測時間幅が30分，60分，90分と長くなるにつれてMAEが増加し，長期予測ほど予測が困難になる傾向も確認された．以上より，大学教室におけるCO2濃度予測モデルの有効性と，特徴量の違いが予測精度に与える影響を明らかにした．