[論文レビュー] Machine Learning for Building Energy and Indoor Environment: A Perspective

Zhijian Liu, Di Wu+2 more|arXiv (Cornell University)|Dec 31, 2017

Solar Radiation and Photovoltaics参考文献 55被引用数 3

ひとこと要約

本論文は、機械学習、特に人工ニューラルネットワーク（ANN）を用いた建物エネルギーシステムの最適化および室内環境質の予測、特に培養可能真菌濃度の予測への応用に関する見解を提示する。著者らは、特にHTSのようなハイブリッド手法を用いることで、ANNモデルによる予測精度の向上を実証し、信頼性の向上と省エネルギーおよび室内空気質の改善の可能性を踏まえ、広範な導入を提唱する。

ABSTRACT

Machine learning is a promising technique for many practical applications. In this perspective, we illustrate the development and application for machine learning. It is indicated that the theories and applications of machine learning method in the field of energy conservation and indoor environment are not mature, due to the difficulty of the determination for model structure with better prediction. In order to significantly contribute to the problems, we utilize the ANN model to predict the indoor culturable fungi concentration, which achieves the better accuracy and convenience. The proposal of hybrid method is further expand the application fields of machine learning method. Further, ANN model based on HTS was successfully applied for the optimization of building energy system. We hope that this novel method could capture more attention from investigators via our introduction and perspective, due to its potential development with accuracy and reliability. However, its feasibility in other fields needs to be promoted further.

研究の動機と目的

• 室内環境状態、特に培養可能真菌濃度をより高い精度で予測するという課題に対処すること。
• 機械学習モデルが建物エネルギーシステムの最適化に実用的かつ効果的であるかを検討すること。
• 建物応用分野における信頼性および性能の向上を図るため、HTSベースのANNのようなハイブリッド機械学習手法の使用を促進すること。
• エネルギー節約および室内環境質の向上における機械学習の未開発の可能性を強調すること。

提案手法

• 室内培養可能真菌濃度の予測に人工ニューラルネットワーク（ANN）モデルを適用すること。
• ANNとHTS（階層的ツリー探索）を組み合わせたハイブリッド機械学習手法の開発および実装を行い、最適化を強化すること。
• HTSを用いてモデル構造を最適化し、エネルギーや環境分野の応用における予測精度を向上させること。
• 機械学習手法を建物エネルギーシステム最適化ワークフローに統合すること。
• 予測精度および計算上の利便性を比較分析することで、モデルの性能を評価すること。
• 機械学習を建物エネルギーや室内環境システムに応用する際の理論的および実践的課題を議論するため、視点に基づいたアプローチを採用すること。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデル、特にANNは、高い精度で室内培養可能真菌濃度を効果的に予測できるか？
• RQ2 ハイブリッドHTS-ANN手法は、建物エネルギーや室内環境応用分野におけるモデルの性能および信頼性をどのように向上させるか？
• RQ3 この分野における機械学習の最適なモデル構造選定における主な課題は何か？
• RQ4 機械学習は、建物におけるエネルギー節約および室内環境質の向上にどの程度貢献できるか？
• RQ5 これらの機械学習手法は、他の建物システム応用分野へどの程度移植可能か？

主な発見

• ANNモデルは、従来の手法に比べて、室内培養可能真菌濃度の予測精度が向上した。
• ハイブリッドHTSベースのANNアプローチは、モデル構造選定の改善と予測信頼性の向上を示した。
• 提案手法は、エネルギー最適化分野における計算上の利便性および性能面で実用的利点を示した。
• モデル構造の決定における課題のため、建物エネルギーや室内環境分野における機械学習の応用は、依然として未発展である。
• 本研究は、機械学習が建物におけるエネルギー効率および室内空気質管理に顕著な貢献を果たす可能性を強調している。
• 著者らは、これらの手法の実用性およびスケーラビリティを、より広範な建物科学分野への応用において検証するためのさらなる研究の必要性を強調している。