O-ESD

该研究提出了一个高效的工作流程，将建筑性能指南的文本数据转换为适合机器学习的结构化表格数据。此外，结构化楼层布局数据的可视化揭示了分析数据集的新见解。作为本研究的主要产品，Oriented Environmental Swiss Dwellings (O-ESD)数据集为从现有楼层布局数据集到环境设计自动化的数据驱动学习提供了机会。此外，O-ESD通过结构化的微气候可视化提供了人类可解释性。本研究以瑞士住宅数据集为基础，随后进行了基于Python的数据细化、特征工程和属性扩展。修改后的属性包括空间分区（分类）、日光指标和视图层的代理指标（数值）、噪声水平（数值）、声学舒适度（分类）和窗户方向（分类）。

This study proposes an efficient workflow that converts textual data from building performance guidelines into structured tabular data suitable for machine learning. Additionally, visualizations of structured floor layout data uncover new insights for dataset analysis. As the primary product of this research, the Oriented Environmental Swiss Dwellings (O-ESD) dataset provides opportunities for data-driven learning connecting existing floor layout datasets to environmental design automation. Moreover, the O-ESD dataset offers human interpretability through structured microclimate visualizations. This study is grounded in a Swiss residential dataset, followed by Python-based data refinement, feature engineering, and attribute expansion. The revised attributes include spatial zoning (categorical), daylight metrics and proxy indicators for view layers (numerical), noise levels (numerical), acoustic comfort (categorical), and window orientation (categorical).

搜集汇总

数据集介绍

构建方式

在建筑环境数据科学领域，O-ESD数据集的构建体现了一种从非结构化文本到结构化表格数据的系统化转换流程。该研究以瑞士住宅数据集为基础，通过Python驱动的数据精炼、特征工程与属性扩展，将建筑性能指南中的文本信息转化为适合机器学习处理的格式。新增属性涵盖了空间分区、日光指标代理、视野层、噪声水平、声学舒适度及窗户朝向等多个维度，从而实现了建筑布局数据的环境属性增强。

特点

O-ESD数据集的核心特点在于其融合了建筑布局与环境性能的双重信息维度。它不仅提供了结构化的空间数据，还通过微气候可视化增强了数据的可解释性，使得环境设计自动化成为可能。数据集包含分类与数值型属性，如空间分区、声学舒适度等分类变量，以及日光、视野、噪声等数值指标，为数据驱动的环境设计研究提供了多角度、可量化的分析基础。

使用方法

该数据集的使用可通过提供的Jupyter笔记本文件系统化展开。O-ESD.ipynb文件展示了数据精炼、属性添加与转换的具体流程；Units of O-ESD.ipynb专注于单元级数据的分离处理；Context Visualization of O-ESD.ipynb则实现了微气候上下文的可视化。数据集已划分为训练、验证与测试子集，用户可直接通过压缩文件获取，便于开展机器学习模型的训练与评估工作。

背景与挑战

背景概述

在建筑环境与可持续设计领域，数据驱动的自动化方法正逐步成为优化建筑性能的关键途径。O-ESD（Oriented Environmental Swiss Dwellings）数据集应运而生，由研究团队基于瑞士住宅数据集构建，旨在将建筑性能指南中的文本数据转化为适用于机器学习的结构化表格数据。该数据集通过整合空间分区、采光指标、视野层、噪声水平、声学舒适度及窗户朝向等多维属性，为环境设计自动化提供了丰富的学习资源，其可视化呈现进一步增强了数据的可解释性，推动了建筑信息模型与机器学习技术的深度融合。

当前挑战

O-ESD数据集致力于解决建筑环境设计中微气候因素自动化整合的复杂问题，其核心挑战在于如何从非结构化的建筑性能文本中提取并标准化多维环境属性，以支持机器学习模型对可持续设计决策的精准预测。在构建过程中，研究团队面临数据精炼与特征工程的艰巨任务，需通过Python工作流程对原始住宅数据进行属性扩展与转换，同时确保空间分区、采光代理指标等分类与数值数据的准确性与一致性，这些步骤对算法的鲁棒性与领域知识的嵌入提出了较高要求。

常用场景

经典使用场景

在建筑环境与可持续设计领域，O-ESD数据集为机器学习模型提供了结构化、多属性的住宅平面布局数据。其经典使用场景集中于环境性能驱动的自动化设计，通过整合空间分区、采光指标、噪声水平及声学舒适度等属性，支持研究者训练模型以预测和优化建筑的环境表现，从而推动数据驱动的绿色建筑设计流程。

实际应用

在实际应用中，O-ESD数据集被广泛用于智能建筑设计与城市规划工具的开发。建筑师和工程师可利用其丰富的属性数据，快速评估住宅单元的采光、噪声及热舒适性能，辅助决策过程。此外，该数据集支持生成环境优化方案，例如通过调整布局以提升能效，从而在真实世界中促进节能建筑的实施与绿色标准的达成。

衍生相关工作

基于O-ESD数据集，衍生出多项经典研究工作，主要集中在环境感知的生成式设计算法与性能预测模型。例如，研究者利用其结构化属性开发了自动化平面布局生成系统，结合机器学习优化采光与通风；同时，该数据也催生了新的可视化工具，用于微气候上下文分析，进一步推动了建筑信息建模与可持续设计领域的交叉创新。