به طور گسترده ای پذیرفته شده است که پیش بینی عملکرد انرژی ساختمان به شدت با پارامترهای اشغال مرتبط است. در حال حاضر ، ساختمانها و آزمایشگاههای موجود منبع اصلی جمع آوری داده های مربوط به اشتغال هستند. با این وجود ، استفاده از چنین داده هایی برای پیش بینی مصرف انرژی ساختمان های آینده می تواند باعث عدم اطمینان زیادی شود. مطالعات اخیر نشان می دهد که محیط های مجازی غوطه وری (IVE) توانایی تولید طراحی و داده های حساس مربوط به سرنشین را دارند. با این حال ، مشاهدات گسترده (داده های طولی که رویدادهای مکانی و زمانی مربوط را در بر می گیرد) که برای توسعه مدل های پیش بینی کمی ضروری هستند ، با استفاده از IVE های معمولی غیر عملی هستند. برای این منظور ، نویسندگان یک روش مدل سازی رویداد محور مکانی (STED) محور (STED) را پیشنهاد می کنند تا IVE ها را برای مطالعات طولی فعال کند. با استفاده از یک دفتر سرنشین واحد به عنوان مطالعه موردی ، دو مجموعه از داده های اشغال و روشنایی ، از IVEs و یک محیط فیزیکی قابل مقایسه (درجا) جمع آوری شد. داده های اشغال / روشنایی در شش رویداد (به عنوان مثال ورود صبح ، عزیمت به مسافرت و بازگشت از یک مرخصی کوتاه ، عزیمت به و بازگشت از مرخصی طولانی ، و در پایان روز انجام می شود) به شکل انتقال دولت سازماندهی شده است. . فرض بر این بود که احتمال انتقال وضعیت اشغال / نورپردازی در یک رویداد معین در دو محیط آزمایش (به عنوان مثال IVE در مقابل درجا) از نظر آماری متفاوت نیستند. نتایج نشان داد الگوهای مشابه در چهار از شش رویداد (۰٫۰۵ = α) ، به جز در وقایع مرخصی کوتاه. بدین ترتیب ، مدل سازی STED قابلیت پشتیبانی بالقوه IVE را برای مشاهدات گسترده و تولید داده برای پشتیبانی از مدل های پیش بینی شده فراهم می کند. واضح است که ، برای ایجاد کارآمد تر در جمع آوری داده ها با استفاده از IVE ها ، نیاز به تحقیقات اساسی تر از جمله درک بهتر از طراحی نشانه مجازی و شرایط فیزیولوژیکی و روانی شرکت کنندگان در زمان آزمایشات است.