[論文レビュー] Occupancy Detection in Room Using Sensor Data

Mohammadhossein Toutiaee|arXiv (Cornell University)|Jan 10, 2021

Video Surveillance and Tracking Methods参考文献 11被引用数 5

ひとこと要約

本研究では、温度、湿度、光、CO2 のセンサー情報に基づき、7つの機械学習モデル（決定木、ランダムフォレスト、勾配ブースティング、ロジスティック回帰、ナイーブベイズ、カーネル化SVM、K近傍法）を用いて部屋の占拠状態を検出する。カメラによるラベル付けによる真の状態が得られる公開データセットを用い、各モデルは98％を超える精度を達成した。特に光とCO2が予測に最も寄与しており、最小限の特徴量でも高い性能を示した。

ABSTRACT

With the advent of Internet of Thing (IoT), and ubiquitous data collected every moment by either portable (smart phone) or fixed (sensor) devices, it is important to gain insights and meaningful information from the sensor data in context-aware computing environments. Many researches have been implemented by scientists in different fields, to analyze such data for the purpose of security, energy efficiency, building reliability and smart environments. One study, that many researchers are interested in, is to utilize Machine Learning techniques for occupancy detection where the aforementioned sensors gather information about the environment. This paper provides a solution to detect occupancy using sensor data by using and testing several variables. Additionally we show the analysis performed over the gathered data using Machine Learning and pattern recognition mechanisms is possible to determine the occupancy of indoor environments. Seven famous algorithms in Machine Learning, namely as Decision Tree, Random Forest, Gradient Boosting Machine, Logistic Regression, Naive Bayes, Kernelized SVM and K-Nearest Neighbors are tested and compared in this study.

研究の動機と目的

• 環境センサー情報（温度、湿度、光、CO2）を用いて、7つの代表的な機械学習アルゴリズムの占拠状態検出性能を評価・比較すること。
• 温度、湿度、光、CO2 の個別および複合的なセンサー変数の占拠状態検出への予測力の程度を評価すること。
• 同じデータセットを用いて先行研究を再現・拡張し、元の研究で未検証だったモデルを含めること。
• 簡素化された特徴量セット（例：光とCO2のみ）が高精度を達成できるかどうかを特定し、リソース制限のある環境での導入可能性を検討すること。

提案手法

• 本研究では、オープンドアおよびクローズドドア状態下で収集された、3つの分割（学習：8,143件、検証：2,665件、テスト：9,752件）を含む公開データセットを用いた。
• センサー変数には、温度、湿度、光（照度）、CO2濃度、および比の変数が含まれる。占拠状態は二値のターゲット（0：未占拠、1：占拠）である。
• すべてのモデルは学習データセットで学習され、検証およびテストデータセットで評価される。'Date'変数はデータ漏洩を避けるために除外された。
• 特徴量の組み合わせ（例：光とCO2、CO2と温度など）をテストし、変数の重要性およびモデルの頑健性を評価した。
• 性能評価には正解率を用い、各モデルの最適化のため交差検証およびハイパーパramータチューニングを実施した。
• 使用したモデルは、決定木、ランダムフォレスト、勾配ブースティングマシン、ロジスティック回帰、ナイーブベイズ、カーネル化SVM、K近傍法であり、すべてPythonで実装された。

実験結果

リサーチクエスチョン

• RQ1 環境センサー情報のみを用いた場合、どの機械学習アルゴリズムが占拠状態検出で最も高い正解率を達成するか？
• RQ2 光とCO2の2つのセンサー変数のみを用いた場合、フル特徴量セットと比較して、占拠状態の予測性能はどの程度か？
• RQ3 オープンドア（検証）とクローズドドア（テスト）の状態で、モデルの性能に顕著な差異は生じるか？
• RQ4 学習、検証、テストの各データセットにおいて、異なるモデルの頑健性および一般化性能はどのように比較できるか？
• RQ5 人間の存在追跡や複雑な融合手法に依存せずに、センサー情報のみで高精度な占拠状態検出が可能か？

主な発見

• 決定木モデルは、学習、検証、テストの3つのデータセットすべてで98％を超える正解率を達成し、他の大多数のモデルを上回った。
• ランダムフォレストおよび勾配ブースティングマシンは、光とCO2を特徴量として使用した場合、学習およびテストデータセットで99％を超える正解率を達成した。
• ナイーブベイズは、光とCO2のみを用いて98％の正解率を達成し、最小限の特徴量入力でも優れた性能を示した。
• K近傍法は、検証データセットで98％、テストデータセットで97％の正解率を達成し、光とCO2を用いた場合に高い一般化性能を示した。
• CO2と温度の組み合わせでは性能が著しく低下し、光-CO2の組み合わせと比較して正解率が顕著に下がった。
• 光とCO2の組み合わせのみで、複数のモデルおよびデータセットで98％を超える正解率を達成したため、これらが最も情報量の多い予測変数であると考えられる。