[論文レビュー] Towards the Detection of Building Occupancy with Synthetic Environmental Data

Manuel Weber, Christoph Doblander+1 more|arXiv (Cornell University)|Oct 8, 2020

Building Energy and Comfort Optimization参考文献 9被引用数 6

ひとこと要約

本稿では、建物シミュレーションから合成的に生成されたCO2動的データを活用することで、深層学習モデルにおける実世界の占有人数データの必要性を低減する転移学習手法を提案する。400日分のシミュレートされたCO2データで畳み込みニューラルネットワークを事前学習し、最小限の実データ（1日分すら可）で微調整することで、著しく少ない学習エポック数で高い精度とF1スコアを達成し、合成データから実世界の占有人数検出タスクへの有効な知識転送を示している。

ABSTRACT

Information about room-level occupancy is crucial to many building-related tasks, such as building automation or energy performance simulation. Current occupancy detection literature focuses on data-driven methods, but is mostly based on small case studies with few rooms. The necessity to collect room-specific data for each room of interest impedes applicability of machine learning, especially data-intensive deep learning approaches, in practice. To derive accurate predictions from less data, we suggest knowledge transfer from synthetic data. In this paper, we conduct an experiment with data from a CO$_2$ sensor in an office room, and additional synthetic data obtained from a simulation. Our contribution includes (a) a simulation method for CO$_2$ dynamics under randomized occupant behavior, (b) a proof of concept for knowledge transfer from simulated CO$_2$ data, and (c) an outline of future research implications. From our results, we can conclude that the transfer approach can effectively reduce the required amount of data for model training.

研究の動機と目的

• 建物オートメーション分野における深層学習モデルの学習に必要な実世界の占有人数データが限られているという課題に対処すること。
• 物理的シミュレーションから得られる合成環境データが、実世界の占有人数検出タスクに有効に知識を転送できるかどうかを調査すること。
• シミュレートされたデータから事前学習したモデルを活用することで、個室の占有人数モデリングに必要なデータ収集負荷を軽減すること。
• 従来の実データによる学習と比較して、合成CO2データを用いた転移学習の性能を評価すること。
• シミュレーションベースのデータを活用して、建物エネルギーやオートメーションシステムにおけるデータ効率の良い深層学習を実現可能かどうかを検討すること。

提案手法

• 2段階のシミュレーションパイプラインを開発した：まず占有人の存在と行動をシミュレートし、次に質量バランス方程式を用いてCO2濃度の動的変化をシミュレートした。
• 400日分の仮想オフィスの日について、占有人の行動をランダム化し、部屋ごとのパrameter（体積、換気率など）を設定して合成CO2データを生成した。
• ベースとなる深層学習モデル（畳み込みニューラルネットワーク）を合成CO2データで事前学習し、占有人数関連のパターンを学習させた。
• 転移学習を適用するため、事前学習済み重みで初期化されたターゲットモデルを、1つのオフィスルームからの実CO2センサデータで微調整した。
• 最適化にはRMSpropを使用し、固定学習率0.001、バッチサイズ70、性能向上が見られなかった20エポック後に早期停止を適用した。
• 性能評価には正解率とF1スコアを用い、1日分、2日分、3日分、4日分の実データを用いた異なるサブセットでの10分割交差検証を実施した。

実験結果

リサーチクエスチョン

• RQ1 物理的シミュレーションから生成された合成CO2データが、実世界データにおける占有人数検出モデルの性能向上に有効に機能するか？
• RQ2 合成データからの転移学習によって、占有人数検出のための実世界学習データ量をどの程度削減できるか？
• RQ3 限られた実データで学習した場合、転移学習モデルと非転移モデルの性能はどのように比較されるか？
• RQ4 合成データからの知識転送が、性能指標の分散を低減することで示されるように、モデルの頑健性が向上するか？
• RQ5 合成データで事前学習したモデルは、細かな微調整なしに、実世界のテストデータに対して十分に高い精度を達成できるか？

主な発見

• 転移学習モデルは、実データ2日分の学習でテスト正解率0.920を達成し、非転移モデルが4日分の実データで学習した0.910と同等の性能を示した。
• 1日分の実データでの学習で、転移モデルは0.870の正解率を達成したが、非転移モデルは2日分のデータで0.860にとどまった。
• 2日分の実データで学習した際、転移モデルのF1スコア（0.866 ± 0.038）は、非転移モデル（0.829 ± 0.056）を上回った。
• 1日分の実データで学習した場合、転移モデルは平均30エポック未満で学習が完了したが、非転移モデルは91.3エポックを要した。
• 性能指標の標準偏差が転移モデルで低く抑えられており、異なるデータ分割に対して一貫した性能を示しており、頑健性の向上が確認された。
• 事前学習済みベースモデルは、100日分のシミュレートされたテストデータで正解率0.981、F1スコア0.963を達成したが、微調整なしでは実データでは性能が著しく低下した。これにより、転送ステップの必要性が裏付けられた。