AutoTherm

AutoTherm数据集包括两个部分：一个用于室内环境的时间序列数据集，包含31个输入信号和18名受试者的自我标记用户评分，另一个用于车辆内部环境的数据集，包含20名受试者的评价。

The AutoTherm dataset comprises two parts: one is a time-series dataset for indoor environments, which includes 31 input signals and self-labeled user ratings from 18 subjects; the other is a dataset for vehicle interior environments that contains ratings from 20 subjects.

搜集汇总

数据集介绍

构建方式

在热舒适性研究领域，AutoTherm数据集的构建体现了对动态环境与静态场景差异的深入考量。该数据集通过两项精心设计的实验采集而成：室内实验利用自建的气候舱模拟建筑环境，车辆实验则在一辆宝马3系轿车中真实再现车载场景。研究团队招募了18名室内参与者和20名车辆参与者，借助集成的数据记录应用程序，以20秒为间隔收集参与者基于七点热感量表（从“寒冷”到“炎热”）的自我标注。同时，系统同步记录了31种多模态输入信号，涵盖环境参数（如环境温度、相对湿度）、生理指标（如皮肤温度、心率、皮肤电反应）、视觉特征（RGB帧、身体姿态关键点）以及个人属性（年龄、性别、服装水平等），确保了数据在时间序列上的高密度对齐与丰富性。

特点

AutoTherm数据集的核心特点在于其时空维度上的全面性与场景针对性。作为首个专门针对车辆与室内环境的时序热舒适性数据集，它突破了传统静态数据集的局限，包含了超过290万条室内数据点和106万条车辆数据点，且均附带密集的时间戳标注。数据集融合了多源异构信号，不仅覆盖了ASHRAE标准中的经典热舒适影响因素，还引入了生理与视觉模态，为机器学习模型提供了更深层次的上下文信息。尤为突出的是，数据集中包含了真实世界车辆环境下的动态热变化记录，这为研究瞬态热舒适响应与场景迁移学习提供了独特价值。与现有公共数据集相比，AutoTherm在数据规模、时序连续性和模态多样性上均展现出显著优势。

使用方法

AutoTherm数据集为热舒适性估计的机器学习研究提供了标准化的基准平台。研究者可将其用于训练和评估各类分类与预测模型，特别是针对时序数据的循环神经网络（如LSTM）和集成方法（如随机森林）。使用前需进行数据预处理，包括基于标准差阈值的异常值过滤、分类特征的一热编码以及时间序列的滑动窗口分割（建议窗口长度为30，对应10秒）。数据集支持七点、三点和两点量表的多粒度评估，并可通过序数标签转换适应回归任务。实验设计推荐采用留一参与者或交叉验证策略，以保障模型泛化能力。此外，数据集允许进行特征组合研究、跨场景（室内vs.车辆）性能对比，以及与PMV指数等传统方法的基准比较，为探索个性化热舒适建模与实时状态预测提供了坚实基础。

背景与挑战

背景概述

AutoTherm数据集由德国乌尔姆大学媒体信息学院的研究团队于2024年创建，旨在填补室内与车载环境中热舒适性估计的研究空白。该数据集的核心研究问题聚焦于如何利用时序多模态传感器数据，精准识别人类在静态与动态场景下的热舒适状态。研究团队通过自建气候室与真实车辆环境，采集了包含环境温度、皮肤电反应、心率等31种特征信号，并结合用户自标注的热感评分，为机器学习模型提供了丰富的训练资源。AutoTherm的推出不仅推动了人机交互与智能环境控制领域的发展，还为自动驾驶车辆中的个性化热舒适调节系统奠定了数据基础。

当前挑战

在热舒适性估计领域，AutoTherm数据集面临的挑战主要体现于两方面：其一，所解决的领域问题涉及从高动态车载环境中准确捕捉人体热感变化，这要求模型能够处理温度快速波动、用户活动受限等复杂条件，而传统静态室内数据集难以直接迁移应用；其二，数据构建过程中遭遇了诸多困难，包括在自建气候室中诱导极端热感状态的局限性，导致标签分布不均衡，以及多传感器同步采集时出现的信号异常与数据缺失问题。此外，确保参与者在长时间实验中的专注度与标注一致性，亦对数据质量构成了显著考验。

常用场景

经典使用场景

在热舒适性研究领域，AutoTherm数据集为室内和车载环境下的热舒适状态估计提供了首个多模态时序基准。该数据集通过整合环境参数、生理信号、视觉特征及个人属性等31种输入信号，构建了涵盖静态与动态场景的全面数据框架。其经典应用场景聚焦于训练循环神经网络等深度学习模型，以识别人类热舒适状态的时序变化，为自动化热舒适调控系统提供数据驱动的决策依据。

实际应用

在实际应用层面，AutoTherm数据集为智能建筑与自动驾驶车辆的热舒适调控系统提供了关键技术支持。在智能家居场景中，该数据集可用于优化空调系统的自适应控制，提升能效与用户满意度；在车载环境中，则支持开发基于乘客热舒适状态的自动温控系统，增强乘坐体验并减少驾驶员分心。此外，数据集的多模态特性为可穿戴设备与物联网传感器的集成应用开辟了新路径，推动了智慧城市与健康监测领域的创新实践。

衍生相关工作

基于AutoTherm数据集，研究者已衍生出多项经典工作，包括利用循环神经网络进行热舒适状态预测的时序模型、结合卷积神经网络与循环神经网络的视觉-生理融合架构，以及面向未来状态预测的热舒适预报框架。这些工作不仅验证了数据集的实用价值，还进一步探索了特征组合优化、跨场景模型迁移及个性化校准等关键问题。相关成果为热舒适估计领域的算法创新提供了重要参考，并促进了与情感计算、行为识别等相邻领域的交叉研究。