Kann mit einem CO2-Sensor festgestellt werden, wie viele Personen sich in einem Raum befinden?

Ich habe einen Kohlendioxidsensor MH-Z14 und habe damit versucht zu erkennen, wann ein Raum möglicherweise frische Luft benötigt. Ich habe aber auch festgestellt, dass der Sensorwert drastisch ansteigt, wenn sich ein Mensch in einem Raum befindet und insbesondere wenn er sich in der Nähe des Sensors befindet.

Ich frage mich, ob jemand versucht hat, den aktuellen CO2-Wert in einem Raum zu verwenden, um eine ungefähre Anzahl von Personen in einem Raum zu ermitteln, und wie möglich und genau könnte dies sein?

@ jsotolas Kommentar (so etwas wie: "Klingt so, als könnte maschinelles Lernen etwas bewirken") ist wahrscheinlich die richtige Antwort, aber ich werde es ein wenig erweitern.

Es wird mindestens von folgenden Faktoren abhängen:

• Größe des Raumes
• Anzahl der Personen
• Art der Aktivität, die die Leute machen
• Belüftungsmenge des Raumes (Fenster / Klimaanlage / ...)
• Genauigkeit und Reaktionszeit des verwendeten Sensors
• Anzahl und Position der Sensoren

I - Daten von einem CO verwendet habe ₂ Sensor auf etwa Raumbelegung in der Vergangenheit für ein Einzelzimmer zu schätzen, ich habe am Ende nicht auf der Maschine gehen zu der Zeit lernen Route, eher Dinge wie die Änderungsrate unter Verwendung von CO ₂ zu geben , ein Indikator (mehr Menschen, je schneller der Wert stieg). Aber wenn ich es noch einmal machen würde, würde ich wahrscheinlich anfangen, Daten zu sammeln, um sie als Schulungsmaterial zu verwenden.

Es kann sich auch lohnen, die Daten mit einem anderen Sensor zu verschmelzen, z. B. einem Sensor für relative Luftfeuchtigkeit, da dieser wahrscheinlich gleichzeitig zunimmt.

Es scheint , einige der Forschung auf diesem bereits getan wurde - Sensing von Proxy: Belegungserkennung Basierend auf Indoor CO ₂ Konzentration beschreibt ein Modell an der University of California, Berkeley Belegung erkennen anhand von CO entwickelt ₂ Konzentration.

Wir schlagen ein Verbindungsmodell vor, das die Proxy-Messungen mit unbekannten menschlichen Emissionsraten in Beziehung setzt, basierend auf einem datengesteuerten Modell, das aus einem gekoppelten System der partiellen Differentialgleichung (PDE) - der gewöhnlichen Differentialgleichung (ODE) besteht.

Ihr Modell ist anscheinend genauer als andere Modelle des maschinellen Lernens, die sie getestet haben:

Die Schlussfolgerung der Anzahl der Insassen im Raum basierend auf CO2-Messungen an den Luftrücklauf- und Luftzufuhröffnungen durch Proxy-Erfassung übertrifft eine Reihe von Algorithmen für maschinelles Lernen und erreicht einen mittleren quadratischen Gesamtfehler von 0,6569 (Bruchteil der Person), während die Die beste Alternative von Bayes net ist 1.2061 (gebrochene Person).

Der Algorithmus 1 (S. 3) in diesem Artikel kann eine Anleitung zur Implementierung eines ähnlichen Systems geben, das angesichts der Vereinfachung des CO ₂ -Sensors überraschend zuverlässig zu sein scheint .