Longitudinal personal thermal comfort preference data in the wild

该数据集包含了一个为期4周的长期实验数据，涉及17名参与者（10名男性和7名女性），年龄在21至27岁之间。参与者完成了热舒适偏好调查，共计约1400个独特的响应。数据集还包括环境变量（如温度和相对湿度）的监测，以及参与者背景信息的收集。

This dataset comprises data from a long-term experiment spanning four weeks, involving 17 participants (10 males and 7 females) aged between 21 and 27 years. Participants completed thermal comfort preference surveys, yielding approximately 1,400 unique responses. The dataset also includes monitoring of environmental variables (such as temperature and relative humidity) and the collection of participants' background information.

原始信息汇总

数据集概述

名称: Longitudinal personal thermal comfort preference data in the wild

描述: 该数据集包含一个为期4周的纵向实验数据，名为ENTH。数据集旨在研究个人在自然环境中的热舒适偏好，通过收集参与者的热舒适调查数据和环境变量数据。

参与者:

• 人数: 17人（10名男性，7名女性）
• 年龄范围: 21至27岁
• 响应次数/参与者: 每位参与者至少13次，最多112次响应

实验持续时间: 4周

数据收集方法

• 环境监测: 使用多种传感器监测室内外环境变量，如温度、相对湿度和空气质量。
• 定位: 使用蓝牙信标和智能手机应用进行室内定位。
• 穿戴设备: 使用Fitbit Versa 2智能手表和Cozie应用收集参与者数据。

数据内容

参与者背景调查

• 调查: 包括高度敏感人格量表、生活满意度量表和五大人格特质调查。
• 数据文件: enth_surveys_calc.csv

环境与生理测量

• 特征: 包括空间ID、建筑名称、空气速度、体温、心率等。
• 数据文件: 多个CSV文件，如enth01_merged_z.csv和enth_all_users_merged.csv。

数据处理步骤

1. 创建文件夹以分类原始数据文件。
2. 处理和格式化传感器数据。
3. 合并用户数据与传感器数据。
4. 添加温度、光照和湿度列。
5. 计算调查分数。

引用信息

@inproceedings{10.1145/3485730.3493693, author = {Quintana, Matias and Abdelrahman, Mahmoud and Frei, Mario and Tartarini, Federico and Miller, Clayton}, title = {Longitudinal Personal Thermal Comfort Preference Data in the Wild}, year = {2021}, publisher = {Association for Computing Machinery}, address = {New York, NY, USA}, url = {https://doi.org/10.1145/3485730.3493693} }

搜集汇总

数据集介绍

构建方式

该数据集通过为期四周的纵向实验构建，涵盖了17名参与者在室内外17个空间中的热舒适偏好数据。实验期间，参与者通过智能手表上的开源应用Cozie完成热舒适偏好调查，同时使用定制智能手机应用持续监测其室内位置。环境变量（如温度和相对湿度）通过分布在三个建筑中的传感器进行监测，并与参与者的热偏好响应进行时空对齐。此外，实验开始时通过入组调查收集了参与者的背景信息，包括身体特征和人格特质。

特点

该数据集的特点在于其纵向性和多维度数据的结合。它不仅包含了参与者的热舒适偏好数据，还涵盖了环境变量、生理指标（如心率和皮肤温度）以及人格特质等多方面信息。数据集通过多种传感器和设备（如PurpleAir天气站、UbiBot WS1-Pro数据记录器、Fitbit Versa 2智能手表等）采集数据，确保了数据的多样性和准确性。此外，数据集还提供了详细的入组调查结果，包括高度敏感人格量表、生活满意度量表和大五人格特质等，为研究提供了丰富的背景信息。

使用方法

该数据集的使用方法包括数据预处理和分析。首先，用户可以通过运行提供的Python脚本和Jupyter Notebook文件对原始数据进行预处理，包括数据格式化和合并。预处理后的数据将生成多个CSV文件，分别包含每位用户的详细数据和所有用户的汇总数据。随后，用户可以使用这些文件进行进一步的分析，如热舒适偏好与环境变量的关联分析、人格特质对热舒适感知的影响研究等。数据集还提供了可视化工具，帮助用户直观理解数据分布和趋势。

背景与挑战

背景概述

Longitudinal personal thermal comfort preference data in the wild 数据集由Matias Quintana、Mahmoud Abdelrahman、Mario Frei、Federico Tartarini和Clayton Miller等研究人员于2021年发布，旨在通过纵向实验研究个人在自然环境中的热舒适偏好。该数据集收集了17名参与者在4周内的热舒适偏好调查数据，涵盖了室内外环境中的约1400个独特响应。研究团队通过智能手表应用程序Cozie收集数据，并结合环境变量（如温度和湿度）的监测，提供了对建筑环境中个人热舒适感知的深入理解。该数据集为智能建筑和热舒适研究领域提供了宝贵的资源，推动了基于数字孪生技术的个性化热舒适模型的发展。

当前挑战

该数据集在解决热舒适感知问题时面临多重挑战。首先，热舒适感知具有高度个性化特征，受个体生理、心理和环境因素的综合影响，如何准确捕捉这些复杂关系是一个关键挑战。其次，数据收集过程中，参与者的行为变化（如衣物调整、活动水平变化）以及环境变量的动态变化增加了数据对齐和处理的难度。此外，构建数据集时，研究人员需确保数据的时空一致性，特别是在室内外环境监测中，如何精确匹配参与者的位置与环境数据是一个技术难题。这些挑战不仅影响了数据的质量，也对后续的分析和模型构建提出了更高的要求。

常用场景

经典使用场景

在建筑环境与人体热舒适性研究领域，Longitudinal personal thermal comfort preference data in the wild数据集被广泛应用于探索个体在真实环境中的热舒适性偏好。通过长期追踪17名参与者在室内外环境中的热舒适性反馈，结合环境变量（如温度、湿度）和生理数据（如心率、皮肤温度），该数据集为研究人员提供了丰富的多维度数据，用于分析个体在不同环境条件下的热舒适性变化规律。

衍生相关工作

基于该数据集，多项经典研究工作得以展开。例如，Abdelrahman等人利用该数据集开发了基于数字孪生技术的个性化热舒适模型，通过BIM提取的时空数据预测个体热舒适偏好。此外，Miller等人提出了“建筑物联网”（IoB）概念，将可穿戴设备与物联网数据结合，推动了智能建筑与地理信息系统（GIS）的融合。这些研究不仅拓展了数据集的学术价值，也为智能建筑领域的技术创新提供了新的思路。

数据集最近研究

最新研究方向

近年来，随着智能建筑和个性化环境控制需求的增加，个人热舒适性研究逐渐成为建筑环境领域的热点。Longitudinal personal thermal comfort preference data in the wild数据集通过长期实验，捕捉了参与者在真实环境中的热舒适偏好数据，结合环境变量和生理指标，为个性化热舒适模型的构建提供了重要支持。该数据集的最新研究方向聚焦于利用数字孪生技术（Digital Twin）和空间-时间邻近数据，预测个体在不同环境条件下的热舒适偏好。此外，结合物联网（IoT）和可穿戴设备的数据，研究者正在探索如何将建筑信息模型（BIM）与地理信息系统（GIS）融合，以实现更精准的环境调控。这些研究不仅推动了智能建筑的发展，也为提升居住者的舒适度和能源效率提供了新的解决方案。