Valutazione del comfort negli ambienti di lavoro: un approccio human-centered e data-driven

Il comfort ambientale negli ambienti di lavoro dipende dall'interazione tra molteplici condizioni indoor e dalla loro percezione soggettiva da parte degli occupanti. In quest'ottica, il presente lavoro di tesi propone un approccio predittivo human-centric finalizzato ad anticipare il livello di comfort individuale sulla base delle condizioni ambientali indoor, integrando la previsione dei parametri ambientali con quella della percezione degli occupanti. Lo studio è stato condotto in due ambienti adibiti a ufficio, nei quali sono stati monitorati temperatura, umidità relativa, concentrazione di CO₂, rumore, intensità luminosa e concentrazioni di particolato atmosferico (PM1.0, PM2.5 e PM10). Parallelamente, cinque occupanti hanno espresso periodicamente il proprio livello di comfort attraverso una scala ordinale da 1 a 5, consentendo di associare le condizioni ambientali misurate alla percezione individuale. La metodologia si articola in tre fasi principali. Nella prima, dopo la preparazione e l'aggregazione dei dati ambientali, sono stati confrontati diversi modelli di forecasting one-step-ahead al fine di individuare, per ciascuna variabile, quello maggiormente accurato. Nella seconda fase, i dati ambientali effettivamente misurati sono stati utilizzati per sviluppare e confrontare modelli di previsione del comfort specifici per ciascun occupante, tra i quali Random Forest ha mostrato le migliori prestazioni. Infine, i due livelli predittivi sono stati integrati in un'architettura a cascata: le previsioni delle variabili ambientali sono state utilizzate come input dei modelli individuali di comfort, permettendo di valutare la capacità del sistema di prevedere la percezione degli occupanti utilizzando esclusivamente informazioni ambientali previste. Il lavoro propone quindi un framework integrato che combina forecasting delle condizioni indoor e previsione personalizzata del comfort, in linea con un approccio human-centric alla gestione degli ambienti di lavoro. I risultati consentono inoltre di valutare l'effetto della propagazione dell'errore dal forecasting ambientale alla successiva previsione del comfort, fornendo indicazioni per lo sviluppo futuro di sistemi predittivi a supporto della gestione proattiva degli ambienti indoor.