Apakah mungkin menggunakan sensor CO2 untuk mendeteksi berapa banyak orang di dalam ruangan?

Saya memiliki sensor Karbon Dioksida MH-Z14 dan telah menggunakannya untuk mencoba dan mendeteksi kapan ruangan mungkin membutuhkan udara segar. Tapi, saya juga memperhatikan bahwa pembacaan sensor meningkat secara drastis ketika ada manusia di sebuah ruangan dan terutama jika dekat dengan sensor itu sendiri.

Saya bertanya-tanya apakah ada yang mencoba menggunakan nilai CO2 saat ini di sebuah ruangan untuk mendeteksi perkiraan jumlah orang di sebuah ruangan dan bagaimana mungkin dan akurat itu bisa terjadi?

@ jsotola komentar (Sesuatu seperti: "Kedengarannya seperti sesuatu yang bisa dilakukan pembelajaran mesin") mungkin jawaban yang tepat, tapi saya akan sedikit mengembangkannya.

Ini akan tergantung pada setidaknya faktor-faktor berikut:

• Ukuran ruangan
• Jumlah orang
• Jenis kegiatan yang dilakukan orang
• Jumlah ventilasi yang dimiliki kamar (windows / ac / ...)
• Akurasi dan waktu respons dari sensor yang digunakan
• Jumlah dan posisi sensor

Saya telah menggunakan data dari sensor CO ₂ untuk memperkirakan secara kasar tingkat hunian kamar di masa lalu untuk satu kamar, saya pada akhirnya tidak turun rute pembelajaran mesin pada saat itu, melainkan menggunakan hal-hal seperti tingkat perubahan CO ₂ untuk memberikan sebuah indikator (semakin banyak orang semakin cepat nilainya naik). Tetapi jika saya melakukannya lagi saya mungkin akan mulai mengumpulkan data untuk digunakan sebagai materi pelatihan.

Mungkin juga layak menggabungkan data dengan sensor lain, misalnya sensor kelembaban relatif karena ini juga cenderung meningkat pada saat yang sama.

Tampaknya beberapa penelitian telah dilakukan pada ini - Sensing oleh Proxy: Deteksi Hunian Berdasarkan Indoor CO ₂ Konsentrasi menggambarkan model yang dikembangkan di University of California, Berkeley untuk mendeteksi hunian berdasarkan konsentrasi CO ₂ .

Kami mengusulkan model tautan yang menghubungkan pengukuran proksi dengan tingkat emisi manusia yang tidak diketahui berdasarkan model berbasis data yang terdiri dari Persamaan Diferensial Parsial (PDE) yang digabungkan - sistem Persamaan Diferensial Diferensial (ODE).

Model mereka tampaknya lebih akurat daripada model pembelajaran mesin lainnya yang mereka uji:

Kesimpulan dari jumlah penghuni di dalam ruangan berdasarkan pengukuran CO2 di udara kembali dan ventilasi pasokan udara dengan merasakan melalui proxy mengungguli berbagai algoritma pembelajaran mesin, dan mencapai kesalahan kuadrat rata-rata keseluruhan 0,6569 (pecahan orang), sedangkan alternatif terbaik oleh Bayes net adalah 1,2061 (pecahan orang).

Algoritma 1 (hal. 3) dalam makalah ini mungkin memberikan beberapa arahan tentang bagaimana menerapkan sistem yang serupa dengan sistem mereka, yang tampaknya sangat dapat diandalkan mengingat sifat sederhana dari sensor CO ₂ .