[論文レビュー] PresenceSense: Zero-training Algorithm for Individual Presence Detection based on Power Monitoring

Ming Jin, Ruoxi Jia+3 more|eScholarship (California Digital Library)|Jul 16, 2014

Evacuation and Crowd Dynamics参考文献 49被引用数 25

ひとこと要約

PresenceSense は、ラベル付き学習データが不要なゼロトレーニング、セミスーパvisedなアルゴリズムであり、オフィス環境における個人の存在を、電力消費データのみを用いて検出する。ラベルなし学習データから時間的パターンを学習することで、手動ラベリングを一切行わない大規模なラベル付きデータセットで訓練された教師ありモデルを上回る高い精度を達成する。

ABSTRACT

Non-intrusive presence detection of individuals in commercial buildings is much easier to implement than intrusive methods such as passive infrared, acoustic sensors, and camera. Individual power consumption, while providing useful feedback and motivation for energy saving, can be used as a valuable source for presence detection. We conduct pilot experiments in an office setting to collect individual presence data by ultrasonic sensors, acceleration sensors, and WiFi access points, in addition to the individual power monitoring data. PresenceSense (PS), a semi-supervised learning algorithm based on power measurement that trains itself with only unlabeled data, is proposed, analyzed and evaluated in the study. Without any labeling efforts, which are usually tedious and time consuming, PresenceSense outperforms popular models whose parameters are optimized over a large training set. The results are interpreted and potential applications of PresenceSense on other data sources are discussed. The significance of this study attaches to space security, occupancy behavior modeling, and energy saving of plug loads.

研究の動機と目的

• ラベル付き学習データを一切必要としない存在検出システムの開発。これにより、実世界の環境における導入作業の負担を軽減する。
• 個々のプラグイン電力消費パターンを、非侵襲的かつプライバシー保護型の信号として、存在検出に活用する。
• ラベルなし電力データに対するセミスーパvised学習が、大規模なラベル付きデータセットで訓練された教師ありモデルと同等またはそれ以上の性能を達成できるかどうかを評価する。
• 商業オフィス環境における細粒度な個別存在検出に、電力モニタリングを用いることが実現可能であることを示す。
• 空間セキュリティ、占有行動モデリング、プラグイン負荷エネルギー管理への応用を検討する。

提案手法

• アルゴリズムは、個々の電気コンセントから収集されたラベルなし電力消費データを用いてセミスーパvised学習で訓練する。
• 個人の存在状態と不在状態を区別するため、電力シグネイチャの時間的パターンをモデル化する。
• クラスタリングと異常検知技術に依存し、特定の個人に関連する特徴的な電力プロファイルを同定する。
• 再トレーニングや手動ラベリングを必要とせず、電力使用パターンの変化に動的に適応する。
• 推論時には、超音波、加速度計、WiFi などの複数のソースからのデータを統合して検証するが、実行時には電力データのみに依存する。
• 電力信号からの特徴抽出には、統計的およびスペクトル的特性を用い、機器固有の使用パターンを捉える。

実験結果

リサーチクエスチョン

• RQ1 手動ラベリングを一切行わず、ラベルなし電力消費データのみを用いて、個人の存在を正確に検出できるか？
• RQ2 電力モニタリングに基づくゼロトレーニングアルゴリズムの性能は、大規模なラベル付きデータセットで訓練された教師ありモデルと比べてどうか？
• RQ3 信頼性の高い存在検出を可能にする、個人のプラグイン電力シグネイチャの主な特徴は何か？
• RQ4 ラベルなし電力データに対するセミスーパvised学習は、異なる個人やオフィス環境において、どの程度一般化可能か？
• RQ5 商業ビルにおける占有状況モデリングとエネルギー節約に、電力モニタリングを用いる実用的意義は何か？

主な発見

• PresenceSense は、ラベル付き学習データが一切不要な状態で高い検出精度を達成し、大規模なラベル付きデータセットで訓練された教師ありモデルを上回った。
• アルゴリズムは、個々のプラグイン負荷からの電力消費パターンを学習することで、個人の存在を的確に同定できた。
• システムは、時間の経過に伴うユーザー行動やデバイス使用の変化に対しても、頑健な性能を示した。
• 電力モニタリングのみで、個別レベルの存在検出に十分な信号が得られ、侵襲的なセンサーの導入が不要となった。
• 手間のかかるラベリングプロセスを排除することで、導入のオーバーヘッドを顕著に低減した。
• 本研究は、個々のプラグイン電力シグネイチャに、非侵襲的で存在検出に適した判別可能な特徴が含まれていることを確認した。