건물 속 인간을 센서로 활용한 고빈도 실내 쾌적성 모델링

초록

스마트워치를 이용한 마이크로 EMA(실시간 순간 평가)로 30명의 사무실 이용자를 2주간 4,378건의 열·소음·조명 선호 데이터를 수집했다. 수집된 주관적 피드백을 환경·생리 센서 데이터와 결합해 군집화하고, 군집 특성을 포함한 다중 클래스 분류 모델을 학습하였다. 열·조명·소음 선호 예측 정확도(F1 마이크로)는 각각 64 %, 80 %, 86 %에 달했으며, 인간을 센서로 활용하는 접근법이 기존 설치 센서만으로는 포착하기 어려운 개인·공간별 쾌적성 변화를 보완할 수 있음을 보여준다.

상세 분석

본 연구는 인간을 ‘활성 센서’로 전환하는 새로운 패러다임을 제시한다. 기존 실내 쾌적성 모델(PMV, Adaptive Comfort 등)은 온도·습도·복사열·풍속 등 물리적 변수 몇 가지만을 고려해 예측 정확도가 30~40 % 수준에 머물렀다. 저자들은 이러한 한계를 극복하기 위해 스마트워치 기반 마이크로 EMA를 도입했으며, 이는 사용자가 일상 업무를 방해받지 않으면서도 순간적인 주관적 피드백을 제공하도록 설계되었다.

실험 설계는 30명의 사무실 직원을 대상으로 2주간 매일 여러 차례 알림을 보내 열, 조명, 소음에 대한 선호(‘더 따뜻함/시원함’, ‘더 밝음/어둡음’, ‘더 조용함/시끄러움’)을 5점 척도로 수집했다. 동시에 착용형 센서와 주변 환경 센서(온도, 습도, 조도, 소음 레벨 등)에서 시계열 데이터를 기록하고, 심박수와 피부 온도 같은 근접 신체 신호도 확보하였다.

수집된 4,378건의 데이터는 먼저 개인별·공간별 선호 패턴을 기반으로 K‑means 군집화하여 ‘냉방 선호형’, ‘조명 민감형’, ‘소음 회피형’ 등 3~4개의 대표 그룹을 도출했다. 이 군집 라벨은 이후 머신러닝 피처로 활용되었다. 피처 엔지니어링 단계에서는 (1) 환경 시계열 요약통계(평균·표준편차·변동성), (2) 근접 신체 신호(심박수 변동, 피부 온도 변화), (3) 개인 이력(과거 선호 응답 비율), (4) 군집 라벨을 결합한 4가지 피처 세트를 구성하였다.

다중 클래스 분류 모델은 XGBoost, Random Forest, LightGBM 등 트리 기반 알고리즘을 시험했으며, 교차 검증을 통해 최적 모델을 선정했다. 결과적으로 열 선호 예측에서는 F1 마이크로 0.64, 조명 선호에서는 0.80, 소음 선호에서는 0.86을 달성했다. 특히, 군집 라벨을 포함한 피처 세트가 모델 성능을 10~15 % 향상시켰으며, 이는 개인·공간 특성을 사전에 반영함으로써 ‘콜드 스타트’ 문제를 완화시킨 것으로 해석된다.

이 연구의 핵심 통찰은 다음과 같다. 첫째, 인간의 주관적 인지를 고빈도로 수집하면 물리적 센서가 놓치는 ‘심리·생리적 맥락’을 포착할 수 있다. 둘째, 군집 기반 피처는 개인 맞춤형 쾌적성 모델을 구축하는 데 효과적인 사전 지식으로 작용한다. 셋째, 스마트워치와 같은 저비용 웨어러블을 활용하면 대규모 현장 적용이 가능하며, 설문 피로도를 최소화하면서도 충분한 데이터 양을 확보할 수 있다. 마지막으로, 이러한 인간‑센서 하이브리드 접근법은 건물 자동제어 시스템에 실시간 피드백 루프를 제공하여 에너지 절감과 사용자 만족도를 동시에 추구할 수 있는 기반을 마련한다.