轻量AI模型跨国家预测撒哈拉以南非洲室内温度，误差低至0.65°C。
Generalizable AI Model for Indoor Temperature Forecasting Across Sub-Saharan Africa
- 基于坦桑尼亚数据训练，适配尼日利亚学校与冈比亚住宅。
- 尼日利亚校舍误差1.45°C，冈比亚民居仅0.65°C。
- 仅需少量易获取数据，适合资源匮乏地区使用。
本研究提出一种轻量级、领域知情的AI模型，用于预测撒哈拉以南非洲自然通风校舍与住宅的室内温度。该模型在坦桑尼亚校舍数据上训练，评估于尼日利亚校舍和冈比亚住宅。仅依赖有限可获取输入，即实现稳健的跨国性能，尼日利亚校舍平均绝对误差为1.45°C，冈比亚住宅为0.65°C。结果表明，该方法在资源受限环境中具备热舒适管理潜力。
原文摘要 · Abstract (English)
This study presents a lightweight, domain-informed AI model for predicting indoor temperatures in naturally ventilated schools and homes in Sub-Saharan Africa. The model extends the Temp-AI-Estimator framework, trained on Tanzanian school data, and evaluated on Nigerian schools and Gambian homes. It achieves robust cross-country performance using only minimal accessible inputs, with mean absolute errors of 1.45°C for Nigerian schools and 0.65°C for Gambian homes. These findings highlight AI's potential for thermal comfort management in resource-constrained environments.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。