[論文レビュー] A Deep Learning and Gamification Approach to Energy Conservation at Nanyang Technological University
本論文は、スマートビルにおけるエネルギー消費削減を促進するために、深層学習とゲーム化フレームワークを提案する。占領者を非協力的エージェントとしてモデル化した逐次的離散選択ゲームとしての行動を扱い、高次元かつアンバランスなIoTセンサデータと行動データから、双方向LSTMネットワークを用いて効用関数を学習することで、エネルギー節約行動の予測精度を著しく向上させた。実世界のソーシャルゲーム実験（南洋理工大学で実施）において、古典的モデルを上回る性能を示した。
The implementation of smart building technology in the form of smart infrastructure applications has great potential to improve sustainability and energy efficiency by leveraging humans-in-the-loop strategy. However, human preference in regard to living conditions is usually unknown and heterogeneous in its manifestation as control inputs to a building. Furthermore, the occupants of a building typically lack the independent motivation necessary to contribute to and play a key role in the control of smart building infrastructure. Moreover, true human actions and their integration with sensing/actuation platforms remains unknown to the decision maker tasked with improving operational efficiency. By modeling user interaction as a sequential discrete game between non-cooperative players, we introduce a gamification approach for supporting user engagement and integration in a human-centric cyber-physical system. We propose the design and implementation of a large-scale network game with the goal of improving the energy efficiency of a building through the utilization of cutting-edge Internet of Things (IoT) sensors and cyber-physical systems sensing/actuation platforms. A benchmark utility learning framework that employs robust estimations for classical discrete choice models provided for the derived high dimensional imbalanced data. To improve forecasting performance, we extend the benchmark utility learning scheme by leveraging Deep Learning end-to-end training with Deep bi-directional Recurrent Neural Networks. We apply the proposed methods to high dimensional data from a social game experiment designed to encourage energy efficient behavior among smart building occupants in Nanyang Technological University (NTU) residential housing. Using occupant-retrieved actions for resources such as lighting and A/C, we simulate the game defined by the estimated utility functions.
研究の動機と目的
- スマートビル技術が存在するにもかかわらず、占領者の関与が低いという課題に対処すること。
- 建物リソース使用における人間の意思決定を、非協力的エージェントを含む逐次的離散選択ゲームとしてモデル化すること。
- 事前に未知の効用関数を、現実の行動データとセンサデータから個人に特化した形で推定すること。
- 高次元かつアンバランスなデータに対して深層学習を用いて、占領者のエネルギー節約行動の予測精度を向上させること。
- 将来の人間中心のサイバーフィジカルシステム分野の研究を支援するためのスケーラブルでオープンソースのインfraストラクチャとデータセットを開発すること。
提案手法
- 占領者の行動を、非協力的エージェント間の逐次的離散選択ゲームとしてモデル化し、ランダムな効用関数を仮定する。
- 高次元かつアンバランスなIoTデータに対して、古典的離散選択モデル（例：多項ロジット、ミックスドロジット）のロバスト推定を用いて逆強化学習を適用する。
- 時間的行動系列からエンドツーエンドで効用関数を学習可能な、新規の深層逐次分類器（LSTMセルを用いた双方向再帰ニューラルネットワーク）を導入する。
- 実世界の占領者行動データに対して、深層学習モデルと古典的モデルを比較するためのベンチマーク効用学習パイプラインを採用する。
- 実時間の占領者行動と好みの収集を目的として、インcentive付きの大規模ソーシャルゲームとWebポータル連携を設計・実装する。
- デモ用Webポータルを開発し、研究目的での利用を想定して、匿名化処理を施した高分解能（1分間隔）データセットを公開する。
実験結果
リサーチクエスチョン
- RQ1効用関数が未知で多様な状況下で、占領者のエネルギー節約行動をどのように正確に予測できるか？
- RQ2深層学習は、スマートビルにおける占領者の逐次的意思決定をモデル化する際、古典的離散選択モデルに比べて予測性能をどの程度向上させるか？
- RQ3ゲーム化フレームワークは、実際の住宅環境において占領者にエネルギー消費を削減する動機を与えるのに効果的か？
- RQ4天候やリアルタイムフィードバックなどの外部要因は、エネルギー使用における占領者の意思決定にどのように影響を与えるか？
- RQ5占領者の行動に内在する時間的依存性は、効用関数推定にどのような影響を及えるか？
主な発見
- 提案された深層逐次的効用学習モデルは、すべての古典的ベンチマークモデルを上回り、予測誤差を顕著に低減した。
- 深層学習フレームワークは、占領者行動の複雑な時間的依存性を捉えることに、著しい向上を示した。
- ゲーム化インターフェースは占領者の関与を著しく向上させ、ソーシャルゲーム実験中に照明およびHVAC使用量の明確な低下が観察された。
- 本研究では、深層学習を用いることで、現実の高次元かつアンバランスなIoTデータから効用関数を信頼性高く推定できることを示した。
- NTU実験から得られた匿名化済みデータセットは、将来的な離散選択モデリングおよび需要応答応用分野の研究における貴重なベンチマークを提供する。
- アンケート回答のCronbach’s alpha値は0.75から0.82の間であり、収集された行動および好みデータの内部的一致性が妥当であることが示された。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。