Sviluppo e validazione di modelli predittivi per il comfort ambientale

Contesto e ruolo nel progetto

Il Work Package 1 (WP1), coordinato dall’Università degli Studi di Cassino e del Lazio Meridionale, rappresenta il fondamento scientifico e metodologico del progetto VitalSpace. Il cuore dell’attività è lo sviluppo e la validazione di modelli predittivi per stimare, nel breve termine, l’evoluzione dei parametri di comfort in ambienti confinati.

In particolare, la previsione dell’andamento della temperatura interna e delle variabili termoigrometriche su orizzonti temporali di 5–15 minuti costituisce un elemento strategico per abilitare logiche di controllo proattivo degli impianti, con impatti diretti su comfort, efficienza energetica e sostenibilità complessiva del sistema.

Obiettivi scientifici e tecnici

• Analizzare lo stato dell’arte dei modelli previsionali per la temperatura interna, con focus su machine learning e deep learning
• Definire un set di input minimo ma realistico, testando la robustezza anche con dati parziali (temperatura interna/esterna, occupazione, stato impianto)
• Sperimentare e confrontare più famiglie modellistiche (regressione, ensemble learning, reti neurali)
• Validare prestazioni e generalizzazione tramite k-fold cross validation e metriche quantitative (MAE, RMSE, distribuzione errori e soglie operative)
• Estendere l’analisi alla previsione di umidità relativa tramite approcci ibridi (Random Forest + PID)
• Produrre un framework replicabile e integrabile nei moduli operativi della piattaforma

Dataset e metodologia

L’attività sperimentale è stata condotta su dataset reali forniti da iComfort, riferiti a misure raccolte nel periodo gennaio–febbraio 2022. Le variabili considerate includono: temperatura interna, temperatura esterna, numero di occupanti e stato di accensione dell’impianto termico.

I dati sono stati organizzati in finestre temporali multivariate con approccio sliding window, utilizzando osservazioni passate per generare previsioni su istanti futuri. La valutazione delle prestazioni è stata condotta tramite k-fold cross validation (k=5) per ridurre il rischio di overfitting e fornire una stima robusta della generalizzazione.

Modelli sperimentati e confronto critico

• KNN: soluzione semplice ma con limitazioni di robustezza; evidenziati errori massimi elevati e percentuali non trascurabili oltre soglie operative
• Random Forest (RF): ottimo equilibrio tra accuratezza, stabilità ed efficienza computazionale; errori medi molto contenuti e comportamento coerente su più orizzonti
• Regressione lineare (ridge): eccellente su orizzonti brevissimi (5–10 min), con riduzione della generalizzabilità su 15 min
• XGBoost: prestazioni simili a RF ma con stabilità leggermente inferiore in alcuni scenari
• Reti neurali feed-forward: accurate e consistenti, con errori medi contenuti e buona stabilità
• LSTM: adatta a sequenze temporali; capace di gestire dipendenze complesse ma con potenziale variabilità sugli errori massimi

Implementazioni e risultati principali

Implementazione LSTM

La LSTM è stata implementata con TensorFlow/Keras e tracciata tramite MLflow per versioning e sperimentazione controllata. La rete include un livello LSTM (50 nodi) e uno fully connected, ottimizzata con Adam (lr=0.0001) e logiche di early stopping. I risultati confermano la capacità di mantenere l’errore medio assoluto sotto soglie compatibili con scenari operativi.

Implementazione Random Forest multi-output

È stato sviluppato un modello RF multi-output per prevedere sia temperatura interna sia umidità relativa interna, con finestra di training mobile e predizione multi-step. I risultati mostrano prestazioni robuste, con valori di MAE e RMSE coerenti con i requisiti di integrazione in piattaforma e affidabilità elevata su un’ampia parte dei casi.

Estensione termoigrometrica RF + PID

È stato proposto un modello ibrido che utilizza un controllore PID come descrittore dinamico per stimare la risposta termoigrometrica e arricchire gli input alla Random Forest, migliorando stabilità e capacità predittiva in presenza di transitori e cambiamenti rapidi.

Deliverable e integrazione con gli altri WP

Il WP1 fornisce modelli predittivi validati e confrontati, metriche e best practice replicabili, e basi algoritmiche pronte per l’industrializzazione (WP2/WP4) e per l’integrazione applicativa in piattaforma (WP5).