[論文レビュー] Transfer Learning for Thermal Comfort Prediction in Multiple Cities

Nan Gao, Wei Shao+4 more|arXiv (Cornell University)|Apr 29, 2020

Building Energy and Comfort Optimization参考文献 73被引用数 11

ひとこと要約

本論文は、同じ気候帯に属する複数の都市からのセンサー情報を活用して、ラベル付きデータが限られた建物における熱的快適性予測を向上させる、転移学習に基づくマルチレイヤーパーセプトロンモデル（TL-MLP-C*）を提案する。出発データセット（ASHRAE RP-884およびScales Project）からターゲット建物（ミディアムUSオフィス）へ知識を転送することで、精度およびF1スコアにおいて最先端の性能を達成し、屋外環境特徴量が主な寄与要因である中で、都市間転移学習の有効性を示している。

ABSTRACT

HVAC (Heating, Ventilation and Air Conditioning) system is an important part of a building, which constitutes up to 40% of building energy usage. The main purpose of HVAC, maintaining appropriate thermal comfort, is crucial for the best utilisation of energy usage. Besides, thermal comfort is also crucial for well-being, health, and work productivity. Recently, data-driven thermal comfort models have got better performance than traditional knowledge-based methods (e.g. Predicted Mean Vote Model). An accurate thermal comfort model requires a large amount of self-reported thermal comfort data from indoor occupants which undoubtedly remains a challenge for researchers. In this research, we aim to tackle this data-shortage problem and boost the performance of thermal comfort prediction. We utilise sensor data from multiple cities in the same climate zone to learn thermal comfort patterns. We present a transfer learning based multilayer perceptron model from the same climate zone (TL-MLP-C*) for accurate thermal comfort prediction. Extensive experimental results on ASHRAE RP-884, the Scales Project and Medium US Office datasets show that the performance of the proposed TL-MLP-C* exceeds the state-of-the-art methods in accuracy, precision and F1-score.

研究の動機と目的

• 建物のHVACシステムにおける自己報告による熱的快適性データの不足が、正確なモデリングを妨げるという課題に対処すること。
• 同じ気候帯に属する複数都市間での転移学習を活用して、データが乏しい環境における熱的快適性予測性能を向上させること。
• 熱的快適性モデリングにおける効果的な転移学習に寄与する最も重要な特徴量を同定すること。
• スマートビルにおけるHVAC自動化およびエネルギー効率を向上させる、強固でデータ効率の良い手法を開発すること。

提案手法

• 出発データセット（ASHRAE RP-884およびScales Project）で事前学習したモデルの最終隠れ層の重みを用いて、ターゲットモデルを初期化することで転移学習を適用する。
• ターゲットドメイン（ミディアムUSオフィスデータセットのFriends Center建物）に対して、微調整された最終層を備えたマルチレイヤーパーセプトロン（MLP）アーキテクチャを用いる。
• 熱的快適性データセットにおける少数クラスの不均衡を軽減するために、TabularGANを統合し、より意味のある分類を実現する。
• 屋内および屋外環境変数（例：屋外温度、湿度、風速など）を含む特徴量セットを選定・評価し、転移学習に最も効果的な入力特徴量を同定する。
• 隠れ層の数を最適化することでモデル性能を向上させ、2層が精度およびF1スコアにおいて最良の結果をもたらすことを特定した。
• 複数のデータセットを対象にTL-MLP-C*モデルを訓練・検証し、最先端の手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 同じ気候帯に属する複数都市からの転移学習が、ラベル付きデータが限られたターゲット建物における熱的快適性予測を改善できるか？
• RQ2 屋内、屋外、または統合された特徴量セットのうち、どのセットが熱的快適性モデリングにおける転移学習で最高のパフォーマンスをもたらすか？
• RQ3 ニューラルネットワークにおける隠れ層の数が、転移学習モデルの予測性能にどのように影響するか？
• RQ4 熱的快適性データのクラス不均衡がモデル性能に与える影響はどの程度で、効果的にどのように是正できるか？

主な発見

• TL-MLP-C*モデルは、ミディアムUSオフィスデータセットにおいて、比較対象のすべての手法の中で最高の精度（54.50％）およびF1スコアを達成し、最先端のアプローチを上回った。
• 屋外環境特徴量（例：屋外温度、湿度、風速）の組み込みがモデル性能を顕著に向上させ、特にXc特徴量セットにおいて顕著で、これらが熱的快適性予測において重要な役割を果たしていることを示している。
• 2層の隠れ層を備えたモデルが最適なパフォーマンスを達成したが、より深いネットワークでは過学習およびパrameter数の増加により精度が低下した。
• TabularGANを用いたリサンプリングは、多数クラスのサイズを超えないように少数クラスの合成サンプルを生成することで、クラス不均衡を効果的に処理し、モデルの一般化性能を向上させた。
• 転移学習アプローチにより、ターゲット建物にラベル付きデータが限られている中でも、出発ドメイン（ASHRAE RP-884およびScales Project）から効果的な知識転送が可能であることが確認された。
• 本研究では、屋外気象変数が、効果的な転移学習に最も寄与する要因であると同定し、熱的快適性モデリングにおける環境的文脈の重要性を強調した。