TU Darmstadt / ULB / TUprints

Modeling of individual lighting preferences depending on various influencing parameters

Klir, Stefan (2024)
Modeling of individual lighting preferences depending on various influencing parameters.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00026389
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
2023-11-28_Klir_Stefan.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (32MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Modeling of individual lighting preferences depending on various influencing parameters
Language: English
Referees: Khanh, Prof. Dr. Tran Quoc ; Dörsam, Prof. Dr. Edgar
Date: 15 January 2024
Place of Publication: Darmstadt
Collation: xxviii, 211 Seiten
Date of oral examination: 28 November 2023
DOI: 10.26083/tuprints-00026389
Abstract:

Inspired by the evolutionary adapted visual systems of humans towards the natural changing sunlight of a day and year, office lighting should likewise not be static. Due to the possible changeability of illuminance and color temperature of multi-channel luminaires, such dynamic conditions can be realized in offices. Since the light is designed for people, their preferences should additionally be addressed in the selection process of a dynamic light scenario. However, by the fact that each person has a different perception of the current environment through different psychological and physiological states, the dynamic preference must be determined with the associated influencing parameters. The questions that arise are, how does a system have to be designed to model the individual user light preferences based on certain influencing parameters and in particular what are the impacting parameters. To address these questions, this doctoral thesis introduces a 32 months long-term field study with 30 in the research phase developed floor lamps. Through the specialized hard- and software, participants are able to insert the current state-of-mind as well as the current light preference with an illuminance and color temperature selection out of 100 combinations within a web interface. Furthermore, environmental data of the room as well as the prevailing weather condition are gathered during the period of use. In order to enhance the psychological rated light spectra space, each day a new set of 100 white light settings out of a collection with 5,781 spectra is automatically distributed to the floor lamp users. More diverse light spectra are able to be rated in a so-called training process, in which the participants perform a self-conducted subject study each day with five diverse light settings. The maximized space of rated light settings in combination with the current mood, indoor sensor values and weather data forms the ground truth data set for the evaluation. During the evaluation, a novel static and dynamic preference lighting models (PLMs) were defined. The static PLM introduces two equations, one for illuminance and one for correlated color temperature (CCT) that can be fitted with a low amount of data to the preferences of each individual participant. Whereby the illuminance preference is modelled only with the time of day and in contrast the CCT preference integrate time of day, week of year, indoor temperature and humidity. Thus, these models incorporate the dynamic light preference behavior of a user with certain environmental parameters and can be personalized with few data points. Whereas, the dynamic PLM is based on a data-driven approach. A contextual multi armed bandit (CMAB) is stated as the main component with 32 environmental input features. Since multi armed bandits include only the current environment in the prediction of a light setting, the sensor and weather input features are classified into cluster-labels based on the time-series characteristics of the last six hours. Light spectra with the highest preference are thus predicted for a certain environment and individual user based on the ground truth data set gathered in the long-term field study. A novel reward function for the lighting domain forms the main component for a user rating estimation. This estimation of non-existing user ratings enables a fully automatic learning process, and a generalized user model which is able to react to preference changes. Furthermore, a novel preference rating function is defined and enables the comparability between users by abstracting the absolute light rating with quantile ranges and including usage parameters. In particular, the three involved parameters are: (i) Ten quantile ranges of the individual user ratings, (ii) the illumination durations of each spectrum as well as (iii) the frequency of how often a spectrum was illuminated to abstract each user’s individual rating behavior in a utility function. This likewise enables, by discarding the absolute user ratings from the equation, to obtain a fully usage based preference rating, and a full automated learning process without any user interaction is made possible. As application, this preference rating function is included in a user-based collaborative filtering approach that suggests light ratings based on other participants with a similar light behavior in a certain environment. Therefore, knowledge about the light similarity between the participants in environments are revealed. As result, light preferences of other users with a similar light preference in a given environment can thus be suggested to enhance the learning process of the dynamic PLM. The fitted static PLM equations of the combined ten users from the long-term floor lamp study resulted in a high coefficient of determination for both the illuminance and CCT equations of R2 = 0.97 and R2 = 0.98 respectively and demonstrated the meaningfulness of these functions. A four-month evaluation experiment with the trained dynamic PLM stated that high quality light suggestions are predicted, which have a higher median rating as the manual adjusted lights settings previous to the evaluation study for spectra that are illuminated for longer than ten minutes. Manual light adjustments during the study have a similar median rating as the smart predictions by the CMAB. The satisfaction of the participants as well as the meaningfulness of the predictions in a real environment could therefore be demonstrated. The feasibility of the user-based collaborative filtering approach, which was enabled by the high amount of 24,261 gathered light rating data, is presented with light suggestions for the participants in a certain environment. In 21 most rated environments, on average five light rating predictions are suggested for the ten users. This approach enables an active learning process of new, unseen light settings for users of the same light preference group per environment. With the presented framework and approaches of this doctoral thesis, it is now possible to predict dynamic changing illuminances and color temperatures with respect to influencing environmental parameters even with very little knowledge of a user based on the static PLM. If a large data set with multiple users exists, the user-based collaborative filtering approach can be consulted to actively enhance the suggested light settings. As soon as a sufficient amount of data is present, the introduced dynamic preference lighting model (PLM) is able to predict preferred light settings based on more environmental impacts and learn dynamically varying light preferences per user. Due to the novel light preference rating function which can also integrate only the usage of the luminaire, a minimal invasive system is introduced in which subjects only have to use the lamp with the provided predictions or manually adjusting it for unique conditions and the PLM dynamically adapts to these new preferences. This results in a comprehensive framework for individual light spectra predictions per user with respect to dynamically changing environmental parameters.

Alternative Abstract:
Alternative AbstractLanguage

Das Sehsystem des Menschen hat sich durch die Evolution an die natürlich wechselnden Sonnenlichtverhältnisse über den Tag und das Jahr angepasst. Aus diesem Grund sollte die Beleuchtung im Büro ebenfalls nicht statisch sein. Durch mehrkanalige Leuchten und deren Möglichkeit zur Veränderung der Beleuchtungsstärke sowie der Farbtemperatur lassen sich solche dynamischen Bedingungen in Büros realisieren. Da das Licht für den Menschen dargestellt wird, sollten die Präferenzen des Benutzers bei der Auswahl der dynamischen Lichtszenarien zusätzlich berücksichtigt werden. Bedingt durch die Tatsache, dass jeder Mensch durch unterschiedliche psychologische und physiologische Zustände eine andere Wahrnehmung der aktuellen Umgebung hat, muss die dynamische Präferenz mit den dazugehörigen Einflussparametern ermittelt werden. Es stellt sich die Frage, wie ein System beschaffen sein muss, dass die individuellen Lichtpräferenzen von Menschen in Abhängigkeit von verschiedenen Einflussparametern modelliert und welches die beeinflussenden Parameter sind. Um diesen Fragen nachzugehen, wurde in dieser Dissertation eine 32-monatige Langzeit-Feldstudie mit 30 in der Forschungsphase entwickelten Stehleuchten vorgestellt. Durch die spezielle Hard- und Software waren die Teilnehmenden in der Lage, den aktuellen Befindlichkeitszustand und die aktuelle Lichtpräferenz mit einer Beleuchtungsstärke- und Farbtemperaturauswahl aus 100 Kombinationen in einem Webinterface einzutragen. Darüber hinaus wurden Umgebungsdaten des Raumes sowie die vorherrschenden Wetterbedingungen während des Nutzungszeitraumes erfasst. Um den psychologisch bewerteten Lichtspektrenraum zu erweitern, wurde jeden Tag ein neuer Satz von 100 Weißlicht-Einstellungen aus 5,781 vorselektierten Spektren automatisch an die Nutzenden der Stehleuchte übertragen. Vielfältigere Licht-Spektren konnten in einem so genannten Trainingsprozess bewertet werden, bei dem die Teilnehmenden jeden Tag eine selbst durchgeführte Probandenstudie mit fünf verschiedenen Lichteinstellungen absolvierten. Der somit maximierte Raum der bewerteten Lichteinstellungen bildete in Kombination mit der aktuellen Stimmung, Innenraumsensorwerten und Wetterdaten den Grunddatensatz für die weitere Auswertung. Während der Evaluierung wurde ein neuartiges statisches und ein dynamisches Präferenzbeleuchtungsmodell (PLM) definiert. Das statische PLM führt zwei Gleichungen ein, eine für die Beleuchtungsstärke und eine für die korrelierte Farbtemperatur (CCT), welche mit einer geringen Datenmenge an die Präferenzen jedes einzelnen Teilnehmenden angepasst werden können. Dabei wird die Beleuchtungsstärkepräferenz lediglich mit der Tageszeit modelliert, während die CCT-Präferenz Tageszeit, Kalenderwoche, Raumtemperatur und Luftfeuchtigkeit integriert. Auf diese Weise berücksichtigen die Modelle das dynamische Lichtpräferenzverhalten eines Nutzenden in Abhängigkeit von verschiedenen Umgebungsparametern. Das dynamische PLM basiert hingegen auf einem datengesteuerten Ansatz. Als Hauptkomponente ist ein kontextbezogener mehrarmiger Bandit (CMAB) mit 32 Umgebungsmerkmalen festgelegt. Da mehrarmige Banditen nur die aktuelle Umgebung in die Vorhersage einer Lichteinstellung einbeziehen, werden die Umgebungssensor- und Wetterdaten auf Basis der Zeitreiheneigenschaften der letzten sechs Stunden in Gruppen eingeordnet. Mithilfe dieses Ansatzes werden die Lichtspektren mit der höchsten Präferenz in der jeweiligen Umgebung vorhergesagt. Die Vorhersage erfolgt für jeden Nutzenden individuelle auf Grundlage der gesammelten Daten in der Langzeit-Feldstudie. Eine neuartige Belohnungsfunktion für den Beleuchtungsbereich bildet die Hauptkomponente für die Schätzung der Nutzerbewertung innerhalb des CMABs. Diese Schätzung von nicht vorhandener Nutzerbewertungen ermöglicht einen vollautomatischen Lernprozess des CMABs und ermöglicht die Erstellung eines verallgemeinerten Nutzermodells, das auf Änderungen in der Lichtpräferenzen reagieren kann. Darüber hinaus wird eine neuartige Präferenzbewertungsfunktion definiert, die eine Vergleichbarkeit zwischen den Nutzenden ermöglicht, indem die absolute Lichtbewertung mit Quantilbereichen abstrahiert und Nutzungsparameter mit einbezogen werden. Die drei berücksichtigten Parameter sind hierbei: (i) Zehn Quantilbereiche der individuellen Nutzerbewertungen, (ii) die Beleuchtungsdauer jedes Spektrums sowie (iii) die Häufigkeit, wie oft ein Spektrum beleuchtet wurde, um das individuelle Bewertungsverhalten jedes Nutzenden in einer Präferenzfunktion zu erfassen. Weiterhin wird durch den Verzicht auf die absoluten Nutzerbewertungen eine vollständig nutzungsbasierte Berechnung der Präferenzbewertung ermöglicht. Ein vollautomatischer Lernprozess ohne jegliche Nutzerinteraktion ist somit realisierbar. Als Anwendung ist diese Präferenzbewertungsfunktion in einem benutzerbasierten, kollaborativen Filteransatz integriert, der Lichtbewertungen basierend auf anderen Teilnehmenden mit ähnlichem Lichtverhalten in einer gewissen Umgebung vorschlägt. Mithilfe dieses Ansatzes wird das Wissen über die Ähnlichkeit von Lichtbewertungen zwischen Nutzenden in einer Umgebung aufgezeigt. Als Ergebnis können Lichtpräferenzen von anderen Nutzenden mit einer ähnlichen Lichtpräferenz in einer gewissen Umgebung genutzt werden, um Lichteinstellungen vorzuschlagen und den Lernprozess des dynamischen PLM zu verbessern. Die gefitteten statischen PLM-Gleichungen aus der Kombination von zehn Nutzenden aus der Langzeitstudie mit den Stehleuchten ergaben ein hohes Bestimmtheitsmaß. Die Beleuchtungsstärke und die CCT-Gleichung wiesen ein R2 = 0.97 bzw. R2 = 0.98 auf und belegen die Aussagekraft dieser Funktionen. Ein viermonatiges Evaluierungsexperiment mit dem trainierten dynamischen PLM ergab, dass für Spektren, die länger als zehn Minuten beleuchtet wurden, qualitativ hochwertige Lichtvorschläge generiert wurden. Die Qualität der Vorhersage wurde dadurch begründet, dass die zwei CMAB-Strategien im Median eine höhere Bewertung aufweisen als die zuvor von den Nutzenden manuell eingestellten Lichteinstellungen. Weiterhin zeigten die manuellen Lichteinstellungen, die während der Studie aufgenommen wurden, einen ähnlichen Medianwert wie die intelligenten Vorhersagen des CMAB und begründeten ebenfalls, dass die Aussagen ähnlich gut, wie die selbst gewählten Lichteinstellungen waren. Die Zufriedenheit der Teilnehmenden sowie die Aussagekraft der Vorhersagen in einer realen Umgebung wurde somit nachgewiesen. Die Machbarkeit des benutzerbasierten, kollaborativen Filteransatzes, der durch die hohe Anzahl von 24.261 gesammelten Lichtbewertungsdaten ermöglicht wurde, wird mit Lichtvorschlägen für die Teilnehmenden in einer bestimmten Umgebung demonstriert. In den 33 am besten bewerteten Umgebungen wurden für die zehn Benutzer mithilfe des kollaborativen Filteransatzes durchschnittlich fünf Lichtbewertungen vorhergesagt. Dieser Ansatz ermöglichte somit einen aktiven Lernprozess von neuen, ungesehenen Lichteinstellungen für Nutzende der gleichen Lichtpräferenzgruppe pro Umgebung. Mit dem vorgestellten Konzept und den Ansätzen dieser Dissertation ist es möglich, dynamisch wechselnde Beleuchtungsstärken und Farbtemperaturen in Bezug auf beeinflussende Umgebungsparameter auch bei sehr geringer Datenmenge für einen Nutzenden auf Basis des statischen PLM vorherzusagen. Besteht daraufhin ein größer Datensatz mit mehreren Nutzern, kann der benutzerbasierte kollaborative Filteransatz zur aktiven Verbesserung der vorgeschlagenen Lichteinstellungen herangezogen werden. Mithilfe einer ausreichenden Datenmenge ist daraufhin das vorgestellte dynamische Präferenzbeleuchtungsmodell (PLM) in der Lage, bevorzugte Lichteinstellungen auf der Grundlage weiterer Umweltfaktoren vorherzusagen und dynamisch variierende Beleuchtungspräferenzen pro Nutzenden zu erlernen. Aufgrund der neuartigen Lichtpräferenz-Bewertungsfunktion, die ebenfalls nur die Nutzung der Leuchte mit einbeziehen kann, wird ein minimalinvasives System geschaffen, bei dem die Probanden die Lampe lediglich mit den bereitgestellten Vorhersagen verwenden oder sie manuell an spezielle Bedingungen anpassen können. Keine weiteren Bewertungseingaben sind erforderlich und bei manuellen Eingaben wird der CMAB dynamisch an diese neuen Präferenzen adaptiert. Als Ergebnis dieser Dissertation wird ein umfassendes System für die Vorhersage und Bereitstellung von Lichtspektren für den Einzelnutzenden in Bezug auf sich dynamisch verändernde Umgebungsparameter und individuelle Präferenzen bereitgestellt.

German
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-263890
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
600 Technology, medicine, applied sciences > 621.3 Electrical engineering, electronics
Divisions: 18 Department of Electrical Engineering and Information Technology > Adaptive Lighting Systems and Visual Processing
Date Deposited: 15 Jan 2024 13:03
Last Modified: 18 Jan 2024 07:26
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/26389
PPN: 514753536
Export:
Actions (login required)
View Item View Item