室内空气质量预测的复杂性和与其互动的简洁性——1007次办公室会议案例研究

文献标题

The Complexity of Indoor Air Quality Forecasting and the Simplicity of Interacting with It – A Case Study of 1007 Office Meetings

文献信息

• 主题领域: 人机交互（HCI）与室内空气质量（IAQ）管理
• 关键词: 人与建筑交互、人机交互、室内空气质量、预测模型交互、办公室会议

研究背景与问题

• 研究背景:

  • 室内环境的质量对健康、认知表现及生产力有直接影响，尤其是在开发国家，人们约有90%的时间待在室内。
  • 气密性更好的现代建筑会导致二氧化碳浓度升高，其超标可能引发疲劳、注意力难以集中、甚至心血管问题等。
  • 气体如二氧化碳（CO₂），由于其与通风效率的关系，常被用作室内空气质量的关键指标。
  • 全球范围内室内空气质量问题的严重性已有许多实证研究成果，例如英国办公室环境导致了每年价值130亿英镑的生产力损失。

• 存在问题:

  1. 如何预测办公室会议中 CO₂ 浓度的动态变化？
  2. 在空气恶化风险较高时，如何设计一种干预形式既有效又不打扰活动本身？
  3. 用户对预测结果的干预建议有何感知？其接受度如何？

• 研究重要性:

  1. 改善室内空气质量可提升短期健康与生产力，并降低长期健康风险。
  2. 2020 年 COVID-19 疫情表明，改善空气流通是降低病毒传播风险的关键。
  3. 通过预测手段和用户参与控制室内环境，有望实现长期行为与习惯养成。

• 相关工作:

  • 室内空气质量（IAQ）领域主要研究污染源、健康影响以及室内空气管理，例如 ASHRAE 标准定义的空气质量阈值。
  • 人机交互领域的一些研究探讨如何通过直观的方式提高室内环境感知，但大多集中于家居空间与能耗优化。

解决方案

• 研究方法与提出的解决方案:

  • 作者提出了一种数据驱动的预测方法，通过机器学习算法预测会议期间的 CO₂ 浓度变化，支持用户主动干预。
  • 预测模型开发:
    • 收集了1007次会议中 CO₂ 浓度的动态数据，并分析出 7 种CO₂浓度变化模式。
    • 使用层次聚类方法识别和分类不同的CO₂变化模式。
    • 基于 CO₂ 浓度历史数据，开发了实时模型，准确率为 87.5%（20分钟）和 97.6%（5分钟）。
  • 交互设计:
    • 使用量化风险图（Interruption Risk Diagrams）和用户调查，测试用户对不同情况下（风险程度、天气等）的反应。
    • 开发基于公共设备的显示方式（例如在会议室显示屏上通知开窗时间），或者通过智能设备提供个性化提醒。

• 创新之处:

  • 提出了不仅仅以响应室内空气污染的被动方法，而是预防性干预方法。
  • 首次划定 CO₂ 的典型变化模式并结合用户行为与社会动态进行干预设计。
  • 结合人机交互与预测模型，最小化用户中断成本，并在不同情境下实现动态优化。

研究成果

主要成果

1. 数据分析:

   • 超过 66% 的会议时间 CO₂ 水平超过600 ppm。
   • 用户对 CO₂ 的主观感知与实际测量数据相关性很弱，体现出补充机器感知能力的必要性。
   • 通过数据聚类，识别出 7 种 CO₂ 浓度变化类型，每种类型都有其特定特征和时间风险。

2. 交互解决方案:

   • 在会议开始前：若预计 CO₂ 会快速升高，建议用户提前开窗通风。
   • 在会议中：根据CO₂的动态预测，仅在风险较高且时间紧迫时通过公共显示器发警报。

3. 用户调查结果:

   • 用户在“高风险近时间内通知”的情况下更愿意接受开窗建议。
   • 冷暖天气会影响用户对开窗的接受度，而会议是否包含外部参与者则影响较小。
   • 公共设备显示被证明为最不打扰用户的警报方式。

优势与局限性

• 优势:
  • 相较传统空气质量监测，预测方法提高了对 CO₂ 高峰期的响应效率。
  • 设计解决方案平衡实际需求（健康、能效和干扰）和用户体验。
• 局限:
  • 研究对象仅限自然通风条件的办公室，结果无法直接推广到机械通风或高污染环境。
  • 数据特征提取中某些变量（如实际会议人数）具有采集难度，预测能力可能受限。

局限与下一步工作

1. 扩展预测模型至机械通风空间的适用性。
2. 研究如何进一步个性化预测和提醒方法，以适应不同用户行为偏好。
3. 将解决方案集成于现有商业产品 Hilo 中，验证其长期影响和实际效用。