[論文レビュー] Design, Benchmarking and Explainability Analysis of a Game-Theoretic Framework towards Energy Efficiency in Smart Infrastructure

Ioannis C. Konstantakopoulos, H. Das+7 more|arXiv (Cornell University)|Oct 16, 2019

Building Energy and Comfort Optimization参考文献 77被引用数 9

ひとこと要約

本稿では、深層双方向再帰ニューラルネットワークを用いて居住者の利得関数を学習し、スマートビルのエネルギー消費を予測する人間を含むゲーム理論的フレームワークを提案する。本研究は、ゲーム化インcentiveを通じて、週末には最大40％のエネルギー消費削減を実現し、統計的に有意な削減を達成した。同時に、説明可能性技術を用いて居住者の意思決定行動パターンを解明した。

ABSTRACT

In this paper, we propose a gamification approach as a novel framework for smart building infrastructure with the goal of motivating human occupants to reconsider personal energy usage and to have positive effects on their environment. Human interaction in the context of cyber-physical systems is a core component and consideration in the implementation of any smart building technology. Research has shown that the adoption of human-centric building services and amenities leads to improvements in the operational efficiency of these cyber-physical systems directed towards controlling building energy usage. We introduce a strategy in form of a game-theoretic framework that incorporates humans-in-the-loop modeling by creating an interface to allow building managers to interact with occupants and potentially incentivize energy efficient behavior. Prior works on game theoretic analysis typically rely on the assumption that the utility function of each individual agent is known a priori. Instead, we propose novel utility learning framework for benchmarking that employs robust estimations of occupant actions towards energy efficiency. To improve forecasting performance, we extend the utility learning scheme by leveraging deep bi-directional recurrent neural networks. Using the proposed methods on data gathered from occupant actions for resources such as room lighting, we forecast patterns of energy resource usage to demonstrate the prediction performance of the methods. The results of our study show that we can achieve a highly accurate representation of the ground truth for occupant energy resource usage. We also demonstrate the explainable nature on human decision making towards energy usage inherent in the dataset using graphical lasso and granger causality algorithms. Finally, we open source the de-identified, high-dimensional data pertaining to the energy game-theoretic framework.

研究の動機と目的

• 居住者の行動をモデル化することで、スマートビルにおけるエネルギー効率を向上させるゲーム化ベースで人間を含むループフレームワークを設計すること。
• 従来のゲーム理論的モデルが利得関数を既知と仮定するという限界を克服し、新たな利得関数学習フレームワークを導入すること。
• 実際のビルデータを用いた深層時系列モデルにより、居住者のエネルギー使用パターンの予測精度を向上させること。
• 高次元のセンサおよび行動データに対して、グラフィカルラassoとGranger因果性を用いて、エネルギー使用における人間の意思決定の説明可能性を提供すること。
• スマートビル環境における実世界のソーシャルゲーム実験を通じて、フレームワークの有効性を実証すること。

提案手法

• 居住者を戦略的エージェントとしてモデル化するゲーム理論的フレームワークを設計し、インcentiveに基づくエネルギー削減を可能にする。
• 深層双方向再帰ニューラルネットワーク（Bi-LSTM）を用いて、順序付き居住者行動から利得関数を学習し、ベースラインモデルと比較して予測精度を向上させる。
• 居住者の行動の不確実性および動的環境条件に対応するための、新たな学習スキームにより、強固な利得推定を実現する。
• 意思決定における条件付き依存関係を特定するためのグラフィカルラassoと、エネルギー使用パターンにおける時間的因果関係を検出するGranger因果性を用いて、説明可能性を実現する。
• 実時間のIoTセンサ（例：照明使用状況）データを統合し、曜日別（平日・週末）のベンチマーク評価を可能にするため、バケット化され脱識別化されたデータを用いる。
• Webポータルおよびデータパイプラインを通じてシステムをデプロイし、ビル管理者と居住者との間でゲーム化インcentiveを介したリアルタイム相互作用を可能にする。

実験結果

リサーチクエスチョン

• RQ1 人間を含むループモデリングを組み込んだゲーム理論的フレームワークは、スマートビルにおける居住者のエネルギー使用を効果的に削減できるか？
• RQ2 従来のモデルと比較して、深層双方向再帰ネットワークは居住者のエネルギー使用パターンをどの程度正確に予測できるか？
• RQ3 実際のビルデータに対して、グラフィカルラassoとGranger因果性を用いることで、エネルギー使用におけるどのような行動パターンを抽出・説明できるか？
• RQ4 ゲーム化インcentiveは、特に週末などの異なる時間帯において、統計的に有意なエネルギー消費の削減をもたらすか？
• RQ5 実世界の導入で一般的に見られる欠損データやセンサの断続的停止状態下でも、提案された利得関数学習フレームワークはどの程度の性能を示すか？

主な発見

• 深層時系列利得関数学習フレームワークは、すべてのベンチマークモデルを大きく上回り、予測誤差を顕著に低減した。
• ゲーム化期間中、平均で30％の日次照明使用量の削減が観察され、週末には40％のピーク削減が達成された。
• 使用量変化の2標本t検定のp値は統計的に有意であり、観察された削減がランダムな変動によるものではないことを確認した。
• グラフィカルラassoとGranger因果性分析により、天候や時間帯要因といった、居住者の意思決定における因果的依存関係が明確に特定された。
• 複雑で順序的かつ高次元のデータに対しても、フレームワークは居住者プロファイルのモデリングおよび行動予測において高い精度を示した。
• 強力な性能を発揮したものの、本研究は深層学習モデルが欠損データに対して感受性が高いことを指摘し、実世界導入における重要な限界を示唆した。