Analizando la aplicabilidad de machine learning en la predicción del confort térmico

El confort térmico, relacionado con el establecimiento de la temperatura en el interior de los edificios, es el componente más determinante en el confort global y un factor decisivo en la salud y productividad y en el consumo energético de los edificios. En el estudio y predicción del confort térmico tradicionalmente han predominado dos enfoques: el estático y el dinámico o adaptativo. Aunque ambos modelos son ampliamente aceptados en el área de conocimiento, poseen ciertas limitaciones: precisan de variables ambientales y personales, no están enfocados a la predicción del confort individualizado y carecen de autaprendizaje. Por lo tanto, en el contexto del confort térmico, se han propuesto en los últimos años soluciones alternativas basadas en Machine Learning (ML) que permiten identificar nuevos aspectos que influyen en el confort térmico de los ocupantes de los edificios y enfocarse en su análisis individualizado. Por ello, en el presente trabajo se reflexiona sobre la aplicabilidad del ML en la predicción de variables relacionadas con el confort térmico en base a ocho papers de la literatura existente.