Prediction model for window opening behaviour for a Viennese student house during summertime

Abstract

Diese Arbeit untersucht, wie Umgebungs- und Kontextparameter die Fensterbedienung in einem natürlich belüfteten Wohngebäude beeinflussen, mit dem Ziel, Vorhersagemodelle zu entwickeln, die sich in Gebäudeleistungssimulationen integrieren lassen, um zur Verringerung der Leistungslücke beizutragen. Aktuelle Simulationen stellen das Öffnen und Schließen von Fenstern in der Regel durch statische Luftwechselraten oder feste Zeitpläne dar; diese Ansätze übersehen den stochastischen Charakter der natürlichen Belüftung und tragen zu Diskrepanzen zwischen dem prognostizierten und dem tatsächlichen Energieverbrauch bei. Die Studie konzentriert sich auf ein Studentenwohnheim in Wien mit sieben Schlafzimmern, einer Küche und einem Badezimmer, das während des Sommers untersucht wurde. Es wird ein kombinierter quantitativer und qualitativer Ansatz verwendet. Quantitative Daten werden über Sensoren in jedem Raum erfasst und durch Messungen einer externen Wetterstation ergänzt. Die Daten werden zu zustands- und ereignisbasierten Datenstrukturen verarbeitet und unter Verwendung von Autokorrelation, multinomialer logistischer Regression und Random-Forest-Modellen sowohl auf Kohorten- als auch auf Raumebene analysiert. Parallel dazu werden qualitative Daten über ein ereignisbasiertes Tagebuch erhoben, in dem die Bewohner jede Fensteraktion und den wahrgenommenen Grund dafür protokollieren, was einen direkten Vergleich zwischen subjektiven Motivationen und gemessenen Bedingungen ermöglicht. Die Ergebnisse zeigen Unterschiede in der Häufigkeit der Fensterbenutzung und den bevorzugten Zuständen zwischen Zimmertypen und einzelnen Bewohnern. In Badezimmern und in der Küche überwiegt eine „Hintergrundbelüftung“ durch gekippte Fenster, während in Schlafzimmern unterschiedliche Muster aus geschlossenen, gekippten und offenen Fenstern zu beobachten sind. Zustandsbasierte Modelle schneiden aufgrund ihres größeren Datensatzes besser ab als ereignisbasierte Modelle. CO2-Konzentration, Innen- und Außentemperatur, Tageszeit sowie relative Luftfeuchtigkeit in Innen- und Außenbereichen erweisen sich als die einflussreichsten Prädiktoren, während Niederschlag, Beleuchtungsstärke, Wind und Sonneneinstrahlung nur eine untergeordnete Rolle spielen. Es zeigt sich, dass abgeleitete Variablen die Modellleistung aufgrund von Multikollinearität negativ beeinflussen. Eine Random-Forest-Analyse bestätigt diese Einflussfaktoren und identifiziert Cluster von temperatur- und zeitgesteuerten Verhaltensmustern. Die Tagebucheinträge untermauern die Bedeutung von Raumkomfort und Routine. Die Bewohner neigen dazu, Fenster beim Aufwachen oder bei der Rückkehr nach Hause sowie bei Wärme oder stickiger Luft zu öffnen und sie beim Verlassen der Wohnung, beim Schlafengehen oder als Reaktion auf Lärm, Wind oder Regen zu schließen. Das Random-Forest-Modell mit der besten Leistung erreicht eine angemessene Vorhersagegenauigkeit, weist jedoch Vorhersagegenauigkeit bei der Wiedergabe realistischer zeitlicher Muster auf, insbesondere bei der Unterscheidung zwischen geöffneten und gekippten Fenstern sowie bei der Vermeidung kurzfristiger Schwankungen. Diese Einschränkungen deuten darauf hin, dass vor der Integration in Simulationswerkzeuge zur Gebäudeleistung eine weitere Verfeinerung erforderlich ist. Schließlich wird ein Klassifizierungsansatz auf der Grundlage von drei Verhaltenskriterien vorgeschlagen, um die Variabilität im Bewohnerverhalten zu erhalten und dessen Darstellung in Simulationsmodellen zu verbessern.

This thesis investigates how environmental and contextual parameters influence window operation in a naturally ventilated residential building, with the aim of developing prediction models suitable for integration into building performance simulations to help reduce the performance gap. Current simulations typically represent window opening and closing through static air-change rates or fixed schedules. These approaches overlook the stochastic nature of natural ventilation and contribute to discrepancies between predicted and actual energy use. The study focuses on a student dormitory in Vienna containing seven bedrooms, a kitchen, and a bathroom, monitored during the summer. A mixed-methods approach is employed. Quantitative data is collected through sensors in each room, complemented by exterior weather-station measurements. The data is processed into state-based and event-based data structures and analysed using autocorrelation, multinomial logistic regression, and random forest models at both cohort and room level. In parallel, qualitative data is gathered through an event-based diary in which occupants log each window action and its perceived reason, enabling direct comparison between subjective motivations and measured conditions. Results reveal differences in window-use frequency and preferred states between room types and individual occupants. Bathrooms and the kitchen are dominated by tilted “background ventilation,” whereas bedrooms show varied closed, tilted, and open patterns. State-based models outperform event-based models due to their larger dataset. CO2 concentration, indoor and outdoor temperature, time of day, indoor and outdoor relative humidity emerge as the most influential predictors, while precipitation, illuminance, wind, and solar radiation play minor roles. Derived variables are found to negatively affect model performance due to multicollinearity. Random forest analysis confirms these drivers and identifies clusters of temperature-driven and time-driven behavioural types. The diary records corroborate the importance of indoor comfort and routine. Occupants tend to open windows upon waking or returning home, or when experiencing warmth or stuffy air, and close them when leaving, going to sleep, or responding to noise, wind, or rain. The best-performing random forest model achieves reasonable predictive accuracy but shows limitations in reproducing realistic temporal patterns, particularly in distinguishing between open and tilted states and in avoiding short-term oscillations. These limitations indicate that further refinement is required before integration into building performance simulation tools. Finally, a classification approach based on three behavioural criteria is proposed to preserve variability in occupant behaviour and improve its representation in simulation models.