[論文レビュー] Filling time-series gaps using image techniques: Multidimensional context autoencoder approach for building energy data imputation

Chun Fu, Matías Quintana+2 more|arXiv (Cornell University)|Jul 12, 2023

Building Energy and Comfort Optimization参考文献 57被引用数 5

ひとこと要約

本研究では、画像ベースの深層学習（特に部分畳み込み：PConv）を用いた新規な多次元コンテキストオートエンコーダーを提案し、1次元時系列データを2次元空間グリッドに再形状することで、欠損している建物エネルギーデータの補完を実現した。この手法は、1次元畳み込みニューラルネットワーク（1D-CNN）および週単位の恒常性ベースラインを上回り、1,479台のグローバルな電力メーターにおいて平均二乗誤差（MSE）を20–30％低減した。これにより、多様なメーター種別および欠損データパターンにわたる補完精度と一般化性能の顕著な向上が示された。

ABSTRACT

Building energy prediction and management has become increasingly important in recent decades, driven by the growth of Internet of Things (IoT) devices and the availability of more energy data. However, energy data is often collected from multiple sources and can be incomplete or inconsistent, which can hinder accurate predictions and management of energy systems and limit the usefulness of the data for decision-making and research. To address this issue, past studies have focused on imputing missing gaps in energy data, including random and continuous gaps. One of the main challenges in this area is the lack of validation on a benchmark dataset with various building and meter types, making it difficult to accurately evaluate the performance of different imputation methods. Another challenge is the lack of application of state-of-the-art imputation methods for missing gaps in energy data. Contemporary image-inpainting methods, such as Partial Convolution (PConv), have been widely used in the computer vision domain and have demonstrated their effectiveness in dealing with complex missing patterns. To study whether energy data imputation can benefit from the image-based deep learning method, this study compared PConv, Convolutional neural networks (CNNs), and weekly persistence method using one of the biggest publicly available whole building energy datasets, consisting of 1479 power meters worldwide, as the benchmark. The results show that, compared to the CNN with the raw time series (1D-CNN) and the weekly persistence method, neural network models with reshaped energy data with two dimensions reduced the Mean Squared Error (MSE) by 10% to 30%. The advanced deep learning method, Partial convolution (PConv), has further reduced the MSE by 20-30% than 2D-CNN and stands out among all models.

研究の動機と目的

• エネルギー予測および管理のための機械学習モデルの信頼性を損なう、欠損および一貫性のない建物エネルギーデータの深刻な課題に対処すること。
• 特に部分畳み込み（PConv）を含む最新の画像補填技術が、時系列エネルギーデータの補完にどの程度適用可能かを評価すること。
• 複数のソースおよびメーター種別からなる1,479台の建物電力メーターを含む、多様なデータセットを用いて、補完手法のベンチマークを確立すること。
• 学術的および産業的応用における現実世界のエネルギー補完に、再形状された2次元深層学習モデルの一般化可能性とスケーラビリティを実証すること。

提案手法

• 1次元建物エネルギータイムシリーズを、日次または週次パターンを想定した2次元空間グリッドに再形状し、画像データと同様の空間的規則性を活用する。
• 画像補填に当初開発された部分畳み込み（PConv）ニューラルネットワークアーキテクチャを適用し、文脈的パターンを学習し、2次元エネルギーグリッド内の欠損値を再構築する。
• 標準化されたベンチマークデータセット（1,479台の電力メーター）を用い、PConvモデルと1D-CNNおよび週単位の恒常性ベースラインを併せて学習・評価する。
• MSEおよびR²を主な指標として用い、欠損データ率や欠損パターン（ランダム欠損および連続欠損）の変動に応じた補完性能を比較する。
• 多様なメーター種別（例：サブメーター、建物全体メーター）およびデータソースを対象に、モデルのロバストネスをテストし、一般化能力を評価する。
• 時系列的および周期的パターンをエネルギー消費に保持するため、データ再形状を多次元コンテキストオートエンコーダーフレームワークと統合する。

Figure 1 : The one-dimensional time series of energy data can be reshaped into a two-dimensional heatmap image for testing different imputation methods. Comparisons are made between the one- and two-dimensional imputation, including baseline model, 1D- and 2D-CNN, and advanced deep learning techniqu

実験結果

リサーチクエスチョン

• RQ1 1次元建物エネルギータイムシリーズを2次元空間表現に再形状することで、欠損データ補完における深層学習モデルの性能が向上するか？
• RQ2 PConvモデルは、1D-CNNおよび週単位の恒常性と比較して、多様な建物エネルギーデータセットにおいてMSEおよびR²の観点でどの程度優れているか？
• RQ3 提案された画像ベースの補完手法は、現実世界の建物エネルギーデータにおいて、異なるメーター種別およびデータソースに一般化可能か？
• RQ4 10％の欠損率を超える長期連続欠損データを処理する際、PConvベースのアプローチにどのような限界があるか？

主な発見

• 1次元エネルギータイムシリーズを2次元グリッドに再形状することで、補完性能が顕著に向上し、1D-CNNおよび週単位の恒常性ベースラインと比較してMSEが10–30％低減した。
• 部分畳み込み（PConv）モデルが最良の性能を示し、2D-CNNと比較してMSEをさらに20–30％低減した。これにより、本タスクにおいて高度な画像ベースの深層学習が優位であることが実証された。
• PConvは多様なメーター種別において一貫した高い精度を維持した。これにより、異なる建物エネルギーデータソースおよび構成への一般化可能性が確認された。
• 欠損データが10％を超える連続ブロックとなると、PConvの平均R²が0.7未満に低下し、長期連続欠損補完における性能劣化が示された。
• 本研究では、世界中の1,479台の電力メーターを用いた、初めての大規模ベンチマークを確立した。これにより、現実世界の状況下での補完手法の厳密な評価が可能になった。
• 提案手法はスケーラブルであり、HVAC、照明、家電機器のエネルギー使用など、建築環境における他の時系列データにも応用可能である。

Figure 2 : Overview of the proposed framework and different phases in the working pipeline.