A Phone-based Distributed Ambient Temperature Measurement System with An Efficient Label-free Automated Training Strategy

提高建筑能效显著依赖于监测室内环境温度。传统温度测量技术的潜在局限性，以及智能手机的普及，已经引起研究人员的关注，探索基于手机的环境温度估计技术。然而，仍有许多障碍需要解决，才能实现这项技术的实际应用。本研究提出了一种分布式基于手机的环境温度估计系统，可以使多个手机协作准确地测量室内空间每个小区域的环境温度。此外，它提供了一种安全、高效、低成本的训练策略，用于为每个新添加的手机训练新的估计模型，消除了手动收集标记数据的需要。这种创新的训练策略可以通过仅使用5个数据点和少量迭代，为新手机生成高性能的估计模型。同时，通过众包，我们的系统自动为所有新收集的数据提供准确的推断标签。我们还强调了将联邦学习集成到我们的系统中以确保隐私保护的潜力。我们相信，本研究有望推进基于手机的环境温度测量的实际应用，促进建筑节能工作。

提高建筑能源效率需要准确监测室内环境温度，本文试图探索基于手机的室内环境温度估计技术，解决实现该技术的难点。

提出了一种分布式手机室内环境温度估计系统，利用多个手机协作测量每个小区域的环境温度，并提供一种安全、高效、低成本的训练策略，以训练新的估计模型。同时，通过众包自动提供准确的推断标签，可以在只有5个数据点的情况下生成高性能的估计模型。最后，本文提出了将联合学习集成到系统中以确保隐私保护的潜力。

本文提出了一种新的分布式手机室内环境温度估计系统，具有高效、低成本、准确性高等优点。同时，提出的训练策略可以在只有少量数据点的情况下生成高性能的估计模型。实验结果表明，该系统可以有效地提高建筑能源效率。

近期的相关研究包括：1.基于机器学习的室内环境温度估计方法；2.基于传感器网络的室内环境监测技术；3.联合学习在移动设备上的应用等。