[論文レビュー] DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings

Aditya Mishra, Haroon R. Lone+1 more|arXiv (Cornell University)|Sep 6, 2023

Energy Load and Power Forecasting参考文献 38被引用数 5

ひとこと要約

本論文では、歴史的エネルギー使用量、占有動態、環境要因（温度、湿度）を統合することで、建物エネルギー消費予測のためのデータ駆動型Long Short-Term Memory（LSTM）モデルDECODEを提案する。このモデルは、実世界の住宅および商業ビルにおける短期的・中期的・長期的予測において、線形回帰、決定木、ランダムフォレストを凌駕する最先端の性能を達成し、R²スコアが0.97、平均絶対誤差（MAE）が0.007を記録した。

ABSTRACT

Energy prediction in buildings plays a crucial role in effective energy management. Precise predictions are essential for achieving optimal energy consumption and distribution within the grid. This paper introduces a Long Short-Term Memory (LSTM) model designed to forecast building energy consumption using historical energy data, occupancy patterns, and weather conditions. The LSTM model provides accurate short, medium, and long-term energy predictions for residential and commercial buildings compared to existing prediction models. We compare our LSTM model with established prediction methods, including linear regression, decision trees, and random forest. Encouragingly, the proposed LSTM model emerges as the superior performer across all metrics. It demonstrates exceptional prediction accuracy, boasting the highest R2 score of 0.97 and the most favorable mean absolute error (MAE) of 0.007. An additional advantage of our developed model is its capacity to achieve efficient energy consumption forecasts even when trained on a limited dataset. We address concerns about overfitting (variance) and underfitting (bias) through rigorous training and evaluation on real-world data. In summary, our research contributes to energy prediction by offering a robust LSTM model that outperforms alternative methods and operates with remarkable efficiency, generalizability, and reliability.

研究の動機と目的

• 異なる消費パターンを示す住宅および商業ビルに適用可能な、強固で一般化可能なエネルギー予測モデルの開発。
• ディープラーニングによる時系列データの依存関係を活用することで、従来の機械学習モデルを上回る予測精度の向上。
• 限られた学習データでも効果的な性能を発揮できるよう、モデルの信頼性と低サンプル複雑性を確保。
• 実世界のデータセットを用いた厳密なトレーニングと評価により、過学習および不足学習の問題を是正。
• 実用的なビルエネルギーマネジメントシステム（BEMS）への導入を想定し、短期的・中期的・長期的エネルギー消費予測を可能にする。

提案手法

• 提案されたDECODEモデルは、時系列エネルギー消費データ内の時間的依存関係を捉えるためにLong Short-Term Memory（LSTM）ネットワークを採用する。
• 入力特徴量には、歴史的エネルギー消費量、リアルタイムの占有者数、屋外温度、湿度、およびカレンダーフィーチャー（例：平日／週末）が含まれる。
• モデルは、インドの7つの大学施設からなる実世界のデータセットを用い、52か月分のエネルギー消費データに対してエンドツーエンドでトレーニングされる。
• 過学習および不足学習の緩和のため、ハイパーパramータチューニングと交差検証が適用され、多様な建物タイプにわたる一般化を確保する。
• 性能評価には標準的な回帰指標（R²、平均絶対誤差（MAE）、平均二乗誤差の平方根（RMSE））が用いられる。
• モデルは、短期的・中期的・長期的の複数の予測期間をカバーしており、予測期間の多様性を示している。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、多様な建物タイプにおいて、線形回帰やランダムフォレストなどの古典的機械学習モデルを上回るエネルギー消費予測性能を示せるか？
• RQ2 特にバイアスとバリアンスの制御の観点から、限られたデータセットでトレーニングされた場合、モデルの性能はどの程度か？
• RQ3 占有動態および環境要因の組み込みが、予測精度にどの程度の向上効果をもたらすか？
• RQ4 なぜ一部の建物（例：施設棟、女子寮）ではモデルの性能が低くなるのか？
• RQ5 住宅および商業ビルの異なる消費パターンを示す建物に、モデルは一般化可能か？

主な発見

• 提案されたLSTMモデルは、全建物において最高のR²スコア0.97および最小の平均絶対誤差（MAE）0.007を達成し、線形回帰、決定木、ランダムフォレストを上回った。
• 全データセットの10％のみでトレーニングした場合でも、モデルは強固な性能を維持し、R²が0.83、MAEが0.05を記録した。これは、限られた学習データに対しても耐性があることを示している。
• モデルは、短期的・中期的・長期的のあらゆる予測期間において優れた性能を発揮し、その多様性と信頼性が顕著に表れた。
• 建物タイプによる性能の差が認められた：明確な使用パターンを示す建物（例：図書館、学術棟）では最高の精度が達成されたが、不規則または非決定的消費パターンを示す建物（例：施設棟、女子寮）では性能が低かった。
• 施設棟および女子寮でのモデルの低性能は、エネルギー使用量と占有者数・温度などの入力特徴量との間で一貫性のない相関関係が存在するためとされた。
• モデルは時間経過とともに動的に適応し、予測誤差から学習し、新しいデータに対する継続的な推論によって精度を向上させる。