[論文レビュー] Build2Vec: Building Representation in Vector Space

Mahmoud Abdelrahman, Adrian Chong+1 more|arXiv (Cornell University)|Jul 1, 2020

Data Quality and Management参考文献 20被引用数 10

ひとこと要約

本稿では、BIM（ビルディングインフォメーションモデリング）をノード2VecおよびSTARモデルを用いてベクトル表現に変換するグラフ埋め込みフレームワークであるBuild2Vecを提案する。IFCベースの空間的およびIoTセンサーデータを属性付きグラフに変換することで、低次元のベクトル空間において意味的・空間的・時間的関係を捉えることが可能となり、スマートビル（例：NUSのSDE4ネット・ゼロエネルギービル）における予測や分類といった機械学習タスクの性能向上が図られる。

ABSTRACT

In this paper, we represent a methodology of a graph embeddings algorithm that is used to transform labeled property graphs obtained from a Building Information Model (BIM). Industrial Foundation Classes (IFC) is a standard schema for BIM, which is utilized to convert the building data into a graph representation. We used node2Vec with biased random walks to extract semantic similarities between different building components and represent them in a multi-dimensional vector space. A case study implementation is conducted on a net-zero-energy building located at the National University of Singapore (SDE4). This approach shows promising machine learning applications in capturing the semantic relations and similarities of different building objects, more specifically, spatial and spatio-temporal data.

研究の動機と目的

• 空間的（BIM）、時間的（IoTセンサ）、動的居住者行動といった異種のビルデータを統合的に機械学習に適した表現に統合する課題に対処すること。
• 属性付きグラフ埋め込みを通じて、ビルコンポーネントの意味的・構造的理解を可能にするグラフベースのフレームワークを構築すること。
• グラフ埋め込み（ノード2VecおよびSTAR）が実世界のスマートビルにおける空間時間的関係をどれだけ的確に捉えられるかの妥当性を評価すること。
• 空間的・時間的・居住者データの統合的ベクトル表現が、ビルの性能や居住者快適性に関する予測・分類・推薦システムの性能向上にどのように寄与するかを実証すること。

提案手法

• ビルコンポーネント（例：壁、ドア、空間）をノードとし、空間的または機能的関係をエッジとする属性付きグラフにIFCベースのBIMモデルを変換する。ノードには属性としてプロパティとセンサデータを付与する。
• ノード2Vecにおけるバイアス付きランダムウォークを適用し、ビルコンポーネント間の意味的・トポロジ的類似性を符号化した低次元ベクトル表現を学習する。
• 時間的変化を表すための動的で多次元の隣接テンソルを構築し、離散化された空間セルにおけるセンサデータおよび居住者移動の変化を表現する。
• 空間的時間的注意RNN（STAR）モデルを用いて、センサデータおよび居住者フィードバックの時間的ダイナミクスを捉え、環境的および行動的パターンのシーケンスモデリングを可能にする。
• ビル空間を2次元セルに離散化し、各時刻における居住者とセンサ間の空間的近接性および動的相互作用をモデル化する。
• 居住者フィードバックを動的ノード属性として統合し、快適状態（快適、不快、ニュートラル）をラベル付きとして、居住者を移動可能なセンサとして扱い、教師あり学習を可能にする。

実験結果

リサーチクエスチョン

• RQ1 IFCベースのBIMデータから得られるビルコンポーネント間の意味的・構造的関係が、多次元ベクトル空間において効果的に表現可能か。
• RQ2 ノード2Vecが、実際のビルにおけるドア・窓・部屋といったビル要素間の空間的および機能的類似性をどれだけ適切に捉えられるか。
• RQ3 STARモデルがスマートビル環境におけるセンサデータおよび居住者行動の時間的ダイナミクスをどの程度正確にモデル化できるか。
• RQ4 空間的・時間的・居住者データの統合的ベクトル表現が、ビル関連の予測・分類タスクにおける機械学習性能をどの程度向上できるか。
• RQ5 IoTセンサデータおよび居住者フィードバックをグラフ埋め込みフレームワークに統合することで、BIMモデルの解釈可能性および実用性はどのように向上するか。

主な発見

• 本フレームワークは、空間的・時間的・居住者行動データを統合した包括的な属性付きグラフ表現に、複雑なIFCベースのBIMデータを成功裏に変換した。
• ノード2Vecは、トポロジ的および意味的関係を保持する意味的なベクトル表現を生成し、同じIfcSpace内に存在するIfcDoorとIfcWindowの空間的近接性といった関係を適切に捉えた。
• STARモデルは、センサデータおよび居住者フィードバックの時間的パターンを効果的に捉え、環境的および快適性ダイナミクスのシーケンスモデリングを可能にした。
• 2次元セルへの空間離散化により、時間経過に伴う居住者移動およびセンサ相互作用の動的モデリングが可能になった。
• グラフモデルにおける居住者フィードバックをラベル付き属性として統合したことで、熱的快適性予測のための教師ありモデル学習の実現可能性が示された。
• ライブオンラインデモおよび高解像度の可視化により、本提案されたグラフ埋め込みフレームワークのスケーラビリティおよび解釈可能性が、実世界のスマートビル応用において確認された。