1. 环境因素预测房间占用率：从数据到模型的全流程解析

在智能建筑和节能管理领域，准确预测房间占用状态是一个具有实际应用价值的问题。通过监测温度、湿度、光照等环境参数，我们可以建立预测模型来判断房间是否被占用，而无需使用摄像头等可能侵犯隐私的设备。

这个看似简单的问题实际上涉及时间序列分类、特征工程和模型选择等多个机器学习核心概念。本文将带您完整走通这个项目的全流程：从数据获取、探索分析，到特征选择、模型构建，最后到效果评估和优化建议。

2. 项目背景与数据理解

2.1 数据来源与采集方式

这个项目使用的数据集来自UCI机器学习仓库中的"Occupancy Detection Data Set"。数据采集自一个真实办公室环境，通过以下设备记录：

• 环境传感器：每分钟记录温度(℃)、相对湿度(%)、光照强度(lux)、二氧化碳浓度(ppm)
• 数字相机：每分钟拍摄照片，人工标注房间占用状态(1=占用，0=未占用)

数据集包含三个文件，分别标记为训练集、验证集和测试集，时间跨度为2015年2月2日至2月18日，共约两周的数据。

2.2 数据字段详解

原始数据包含以下字段：

1. 时间戳：记录数据的日期和时间
2. 温度：室内温度，单位为摄氏度
3. 湿度：相对湿度百分比
4. 光照：光照强度，单位为lux
5. CO2：二氧化碳浓度，单位为ppm
6. 湿度比：由温度和湿度计算得出的衍生指标
7. 占用状态：人工标注的标签(0或1)

注意：原始数据文件中的列名需要手动调整，添加"no"列名以便正确加载数据。

3. 数据预处理与探索分析

3.1 数据加载与合并

由于原始数据被分割在三个文件中，我们首先需要将它们合并为一个完整的数据集：

from pandas import read_csv, concat

# 加载三个数据文件
data1 = read_csv('datatest.txt', header=0, index_col=1, parse_dates=True)
data2 = read_csv('datatraining.txt', header=0, index_col=1, parse_dates=True)
data3 = read_csv('datatest2.txt', header=0, index_col=1, parse_dates=True)

# 垂直合并数据集
combined_data = concat([data1, data2, data3])

# 删除无用的序号列
combined_data.drop('no', axis=1, inplace=True)

# 保存合并后的数据
combined_data.to_csv('combined.csv')

3.2 数据可视化分析

通过绘制各环境参数随时间变化的曲线，我们可以直观了解数据特征：

from matplotlib import pyplot

# 绘制各参数的时间序列图
n_features = combined_data.shape[1] - 1  # 减去标签列
pyplot.figure(figsize=(10, 8))

for i in range(n_features):
    pyplot.subplot(n_features, 1, i+1)
    pyplot.plot(combined_data.index, combined_data.iloc[:, i])
    pyplot.title(combined_data.columns[i], y=0.5, loc='right')

pyplot.tight_layout()
pyplot.show()

从可视化结果可以观察到：

• 光照强度与占用状态有最明显的相关性
• 温度和湿度呈现周期性变化(昼夜节律)
• CO2浓度在房间被占用时明显升高
• 三个数据集之间存在时间间隔，合并时需注意

4. 预测模型构建

4.1 问题定义与数据划分

这是一个典型的二元分类问题：根据当前时刻的环境参数，预测房间是否被占用。我们采用时间顺序划分法，保留最后30%的数据作为测试集：

from sklearn.model_selection import train_test_split

# 加载合并后的数据
data = read_csv('combined.csv', header=0, index_col=0, parse_dates=True)
values = data.values

# 划分特征和标签
X, y = values[:, :-1], values[:, -1]

# 按时间顺序划分训练集和测试集
trainX, testX, trainy, testy = train_test_split(
    X, y, test_size=0.3, shuffle=False, random_state=1)

4.2 基准模型建立

在构建复杂模型前，我们先建立一个简单的基准模型作为参照。这里选择两种朴素预测策略：

1. 总是预测房间未被占用(预测所有样本为0)
2. 总是预测房间被占用(预测所有样本为1)

from sklearn.metrics import accuracy_score

def naive_predict(testX, value):
    return [value for _ in range(len(testX))]

# 评估两种朴素策略
for value in [0, 1]:
    yhat = naive_predict(testX, value)
    score = accuracy_score(testy, yhat)
    print(f'Naive={value} score={score:.3f}')

测试结果显示，总是预测房间未被占用的准确率约为82.2%，这将成为我们评估后续模型的基准线。

4.3 逻辑回归模型

作为第一个机器学习模型，我们选择逻辑回归算法：

from sklearn.linear_model import LogisticRegression

# 创建并训练模型
model = LogisticRegression()
model.fit(trainX, trainy)

# 在测试集上评估
yhat = model.predict(testX)
score = accuracy_score(testy, yhat)
print(f'Logistic Regression accuracy: {score:.3f}')

令人惊讶的是，这个简单模型在测试集上达到了99.3%的准确率，远高于基准线。这表明环境参数与占用状态之间存在很强的相关性。

4.4 特征重要性分析

为了理解哪些环境参数对预测最重要，我们可以单独测试每个特征的预测能力：

for i in range(X.shape[1]):
    # 只使用单一特征
    X_single = X[:, i].reshape(-1, 1)
    
    # 重新划分数据集
    trainX_s, testX_s, trainy_s, testy_s = train_test_split(
        X_single, y, test_size=0.3, shuffle=False, random_state=1)
    
    # 训练和评估模型
    model = LogisticRegression()
    model.fit(trainX_s, trainy_s)
    score = accuracy_score(testy_s, model.predict(testX_s))
    
    print(f'Feature {data.columns[i]}: accuracy={score:.3f}')

结果显示：

• 光照强度单独预测的准确率高达99.1%
• 其他特征的单独预测准确率在76-82%之间

这表明光照强度是预测房间占用状态的最强信号，很可能是因为房间在有人时会开灯。

5. 模型优化与深入分析

5.1 简化模型验证

基于特征分析结果，我们可以构建仅使用光照强度的简化模型：

# 只使用光照强度特征
light_idx = 2  # 光照强度在特征中的位置
X_light = X[:, light_idx].reshape(-1, 1)

# 重新划分数据集
trainX_light, testX_light, trainy_light, testy_light = train_test_split(
    X_light, y, test_size=0.3, shuffle=False, random_state=1)

# 训练和评估简化模型
model_light = LogisticRegression()
model_light.fit(trainX_light, trainy_light)
light_score = accuracy_score(testy_light, model_light.predict(testX_light))
print(f'Light-only model accuracy: {light_score:.3f}')

这个简化模型同样达到了99%以上的准确率，证实了光照强度确实是预测占用状态的最关键因素。

5.2 模型可解释性分析

我们可以进一步分析逻辑回归模型的决策边界：

import numpy as np
import matplotlib.pyplot as plt

# 准备网格数据
light_values = np.linspace(min(X[:, 2]), max(X[:, 2]), 100).reshape(-1, 1)
probs = model_light.predict_proba(light_values)[:, 1]

# 绘制决策边界
plt.figure(figsize=(10, 6))
plt.scatter(X[:, 2], y, alpha=0.1, label='Actual data')
plt.plot(light_values, probs, color='red', linewidth=2, label='Occupancy probability')
plt.xlabel('Light (lux)')
plt.ylabel('Occupancy')
plt.title('Decision Boundary of Light-only Model')
plt.legend()
plt.show()

从图中可以看到，当光照强度超过约300lux时，模型几乎确定房间被占用；低于这个阈值时，则预测为未占用状态。

5.3 实际应用考量

在实际部署这样的占用检测系统时，需要考虑以下几点：

1. 环境特异性：不同房间的光照特性可能不同，模型需要重新校准
2. 昼夜影响：自然光照可能会影响预测结果
3. 节能考虑：可以结合其他传感器提高鲁棒性
4. 隐私保护：相比摄像头方案，这种基于环境参数的方法更保护隐私

6. 扩展思路与改进方向

虽然当前模型已经表现很好，但仍有改进空间：

6.1 时间序列特征工程

可以考虑引入时间相关特征：

• 滑动窗口统计量(均值、方差等)
• 昼夜时间标记
• 前后时间点的差值特征

# 示例：添加滑动窗口特征
window_size = 5
for i in range(window_size, len(X)):
    X[i, -1] = np.mean(y[i-window_size:i])  # 添加过去5分钟的占用率均值

6.2 尝试其他算法

虽然逻辑回归表现良好，但可以尝试：

• 随机森林：处理非线性关系
• 梯度提升树：自动特征选择
• 简单神经网络：捕捉更复杂模式

6.3 更真实的评估方案

当前评估方法存在潜在问题：

• 测试集可能包含与训练集相似的光照模式
• 应采用更严格的时间序列交叉验证
• 应考虑模型在新环境中的泛化能力

7. 项目总结与实用建议

通过这个项目，我们展示了如何从环境传感器数据构建房间占用预测系统。以下是关键收获：

1. 数据探索至关重要 ：可视化分析帮助我们快速发现光照与占用状态的强相关性
2. 简单模型优先 ：逻辑回归这种简单模型就能达到极佳效果，不必一开始就用复杂模型
3. 特征选择很重要 ：发现光照是决定性特征后，可以构建更简单、高效的模型
4. 实际部署考虑 ：模型在新环境中可能需要重新校准，特别是光照条件不同的场合

对于想要复现或扩展此项目的开发者，我的实用建议是：

• 先完整走通基础流程，理解数据特性
• 尝试移除光照特征，挑战自己构建仍能准确预测的模型
• 收集自己环境的数据，测试模型的泛化能力
• 考虑将模型部署到嵌入式设备(如树莓派)实现实时预测

这个项目虽然看似简单，但涵盖了机器学习项目的完整流程，是学习时间序列分类的绝佳案例。通过深入分析和不断迭代，你能够掌握从数据到部署的全套技能。