The article examines which subjectively evaluated indoor environmental parameters and building features mostly affect occupants' satisfaction in mainly US office buildings. The study analyzed data from a web-based survey administered to 52,980 occupants in 351 office buildings over 10 years by the Center for the Built Environment. The survey uses 7-point ordered scale questions pertaining to satisfaction with indoor environmental parameters, workspace, and building features. The average building occupant was satisfied with his/her workspace and building. Proportional odds ordinal logistic regression shows that satisfaction with all 15 parameters listed in the survey contributed significantly to overall workspace satisfaction. The most important parameters were satisfaction with amount of space (odds ratio OR 1.57, 95% CI: 1.55-1.59), noise level (OR 1.27, 95% CI: 1.25-1.29), and visual privacy (OR 1.26, 95% CI: 1.24-1.28). Satisfaction with amount of space was ranked to be most important for workspace satisfaction, regardless of age group (below 30, 31-50 or over 50 years old), gender, type of office (single or shared offices, or cubicles), distance of workspace from a window (within 4.6 m or further), or satisfaction level with workspace (satisfied or dissatisfied). Satisfaction with amount of space was not related to the gross amount of space available per person.To maximize workspace satisfaction, designer should invest in aspects that increase satisfaction with amount of space and storage, noise level, and visual privacy. Office workers will be most satisfied with their workspace and building when located close to a window in a private office. This may affect job satisfaction, work performance, and personal and company productivity.

A personal comfort model is a new approach to thermal comfort modeling that predicts an individual's thermal comfort response, instead of the average response of a large population. It leverages the Internet of Things and machine learning to learn individuals' comfort requirements directly from the data collected in their everyday environment. Its results could be aggregated to predict comfort of a population. To provide guidance on future efforts in this emerging research area, this paper presents a unified framework for personal comfort models. We first define the problem by providing a brief discussion of existing thermal comfort models and their limitations for real-world applications, and then review the current state of research on personal comfort models including a summary of key advances and gaps. We then describe a modeling framework to establish fundamental concepts and methodologies for developing and evaluating personal comfort models, followed by a discussion of how such models can be integrated into indoor environmental controls. Lastly, we discuss the challenges and opportunities for applications of personal comfort models for building design, control, standards, and future research.

A personal comfort model is a new approach to thermal comfort modeling that predicts individuals' thermal comfort responses, instead of the average response of a large population. However, securing consistent occupant feedback for model development is challenging as the current methods of data collection rely on individuals' survey participation. We explored the use of a new type of feedback, occupants' heating and cooling behavior with a personal comfort system (PCS) for the development of personal comfort models to predict individuals' thermal preference. The model development draws from field data including PCS control behavior, environmental conditions and mechanical system settings collected from 38 occupants in an office building, and employs six machine learning algorithms. The results showed that (1) personal comfort models based on all field data produced the median accuracy of 0.73 among all subjects and improved predictive accuracy compared to conventional models (PMV, adaptive) which produced a median accuracy of 0.51; (2) the PMV and adaptive models produced individual comfort predictions only slightly better than random guessing under the relatively mild indoor environment observed in the field study; and (3) the models based on PCS control behavior produced the best prediction accuracy when individually assessing all categories of field data acquired in the study. We conclude that personal comfort models based on occupants' heating and cooling behavior can effectively predict individuals' thermal preference and can therefore be used in everyday comfort management to improve occupant satisfaction and energy use in buildings.

The predicted mean vote (PMV) and predicted percentage of dissatisfied (PPD) are the most widely used thermal comfort indices. Yet, their performance remains a contested topic. The ASHRAE Global Thermal Comfort Database II, the largest of its kind, was used to evaluate the prediction accuracy of the PMV/PPD model. We focused on: (i) the accuracy of PMV in predicting both observed thermal sensation (OTS) or observed mean vote (OMV) and (ii) comparing the PMV-PPD relationship with binned OTS – observed percentage of unacceptability (OPU). The accuracy of PMV in predicting OTS was only 34%, meaning that the thermal sensation is incorrectly predicted two out of three times. PMV had a mean absolute error of one unit on the thermal sensation scale and its accuracy decreased towards the ends of the thermal sensation scale. The accuracy of PMV was similarly low for air-conditioned, naturally ventilated and mixed-mode buildings. In addition, the PPD was not able to predict the dissatisfaction rate. If the PMV model would perfectly predict thermal sensation, then PPD accuracy is higher close to neutrality but it would overestimate dissatisfaction by approximately 15–25% outside of it. Furthermore, PMV-PPD accuracy varied strongly between ventilation strategies, building types and climate groups. These findings demonstrate the low prediction accuracy of the PMV–PPD model, indicating the need to develop high prediction accuracy thermal comfort models. For demonstration, we developed a simple thermal prediction model just based on air temperature and its accuracy, for this database, was higher than PMV.

Recognizing the value of open-source research databases in advancing the art and science of HVAC, in 2014 the ASHRAE Global Thermal Comfort Database II project was launched under the leadership of University of California at Berkeley's Center for the Built Environment and The University of Sydney's Indoor Environmental Quality (IEQ) Laboratory. The exercise began with a systematic collection and harmonization of raw data from the last two decades of thermal comfort field studies around the world. The ASHRAE Global Thermal Comfort Database II (Comfort Database), now an online, open-source database, includes approximately 81,846 complete sets of objective indoor climatic observations with accompanying “right-here-right-now” subjective evaluations by the building occupants who were exposed to them. The database is intended to support diverse inquiries about thermal comfort in field settings. A simple web-based interface to the database enables filtering on multiple criteria, including building typology, occupancy type, subjects' demographic variables, subjective thermal comfort states, indoor thermal environmental criteria, calculated comfort indices, environmental control criteria and outdoor meteorological information. Furthermore, a web-based interactive thermal comfort visualization tool has been developed that allows end-users to quickly and interactively explore the data.

The Center for the Built Environment (CBE) Thermal Comfort Tool is a free online tool for thermal comfort calculations and visualizations that complies with the ASHRAE 55–2017, ISO 7730:2005 and EN 16798–1:2019 Standards. It incorporates the major thermal comfort models, including the Predicted Mean Vote (PMV), Standard Effective Temperature (SET), adaptive models, local discomfort models, SolarCal, and dynamic predictive clothing insulation. Our tool also provides dynamic and interactive visualizations of thermal comfort zones. The CBE Thermal Comfort Tool has several practical applications and each year is used by more than 49,000 users worldwide, including engineers, architects, researchers, educators, facility managers and policymakers.

Well-being in the built environment is a topic that features frequently in building standards and certification schemes, in scholarly articles and in the general press. However, despite this surge in attention, there are still many questions on how to effectively design, measure, and nurture well-being in the built environment. Bringing together experts from academia and the building industry, this paper aims to demonstrate that the promotion of well-being requires a departure from conventional agendas. The ten questions and answers have been arranged to offer a range of perspectives on the principles and strategies that can better sustain the consideration of well-being in the design and operation of the built environment. Placing a specific focus on some of the key physical factors (e.g., light, temperature, sound, and air quality) of indoor environmental quality (IEQ) that strongly influence occupant perception of built spaces, attention is also given to the value of multi-sensory variability, to how to monitor and communicate well-being outcomes in support of organizational and operational strategies, and to future research needs and their translation into building practice and standards. Seen as a whole, a new framework emerges, accentuating the integration of diverse new competencies required to support the design and operation of built environments that respond to the multifaceted physical, physiological, and psychological needs of their occupants.