[論文レビュー] Using consumer behavior data to reduce energy consumption in smart homes

Daniel Schweizer, Michael Zehnder+4 more|arXiv (Cornell University)|Jan 1, 2015

Data Mining Algorithms and Applications参考文献 13被引用数 10

ひとこと要約

本論文は、実際のスマートホームイベントデータから頻出順序パターンを抽出することで、居住者の快適性を損なわず、エネルギー節約行動を自律的かつ自動的に提案する機械学習ベースのレコメンデーションシステムを提案する。特化したWSSDアルゴリズムとフィードバック駆動の最適化を用いることで、現地テストにおいて通知頻度を著しく低減しつつ、10%の有用なレコメンデーション率を達成した。

ABSTRACT

This paper discusses how usage patterns and preferences of inhabitants can be learned efficiently to allow smart homes to autonomously achieve energy savings. We propose a frequent sequential pattern mining algorithm suitable for real-life smart home event data. The performance of the proposed algorithm is compared to existing algorithms regarding completeness/correctness of the results, run times as well as memory consumption and elaborates on the shortcomings of the different solutions. We also present a recommender system based on the developed algorithm that provides recommendations to the users to reduce their energy consumption. The recommender system was deployed to a set of test homes. The test participants rated the impact of the recommendations on their comfort. We used this feedback to adjust the system parameters and make it more accurate during a second test phase.

研究の動機と目的

• 実際のイベントデータから家庭のエネルギー使用パターンを学習し、快適性を損なわずエネルギー節約を実現する自律型システムの開発。
• スマートホームイベントストリームから頻出で周期的な使用パターンを自動的にマイニングすることで、手動によるルール指定の限界を克服すること。
• 学習された行動パターンに基づき、パーソナライズされ、干渉性の低いエネルギー節約の提案を提供するレコメンデーションシステムの設計。
• 実際の住宅環境でのシステムの評価と、ユーザーのフィードバックを用いた最適化により、レコメンデーションの関連性を向上させ、ユーザーの不快感を低減すること。
• エネルギー節約レコメンデーションの受容性に影響を与える要因を特定し、それに応じてシステムを精緻化すること。

提案手法

• スマートホームイベントデータに最適化された、ワイルドカード対応を備えた、新規の頻出順序パターンマイニングアルゴリズムWSSDを提案。これにより、使用パターンのわずかな変動に対応可能。
• ワイルドカードを含むパターンマイニングに適したGapBIDEアルゴリズムを改変し、同一ではないが類似したイベントシーケンスの検出を可能にした。
• マイニングされたパターンに基づきエネルギー節約の提案を生成するレコメンデーションシステムを構築。信頼性とパターン長を基準に優先順位を決定。
• 2段階にわたり、33軒のテスト住宅（3521台のデバイス、400万件以上のイベント）から実世界のフィードバックを収集し、レコメンデーションの関連性を高め、ノイズを低減した。
• 回帰分析により、信頼性とパターン長がユーザーのフィードバックに顕著な影響を与えることが判明。一方、サポート度とアクションの位置は有意でなかった。
• 2段階目では、10回連続で否定フィードバックを受けたルールを削除し、部屋の文脈情報を追加することでレコメンデーションを豊かにした。さらに、信頼性×長さ係数を導入し、潜在的効果が低いルールをフィルタリングした。

実験結果

リサーチクエスチョン

• RQ1 スマートホームイベントデータにおける頻出順序パターンを、手動によるルール指定なしに、居住者の習慣的行動をモデル化するために効果的にマイニングできるか？
• RQ2 ワイルドカードを含むパターンマイニングの導入が、実際のスマートホームデータにおける順序パターンマイニングの性能と正確性に与える影響は何か？
• RQ3 スマートホーム環境において、エネルギー節約レコメンデーションの受容性に影響を与える要因は何か？
• RQ4 ユーザーのフィードバックを動的かつ継続的に活用することで、エネルギー節約レコメンデーションの優先順位と関連性をどの程度向上できるか？
• RQ5 レコメンデーション頻度と有用性のトレードオフをどのように最適化すれば、ユーザーの快適性を維持できるか？

主な発見

• 提案されたWSSDアルゴリズムは、実行時間とメモリ使用量の両面で既存のアルゴリズムを上回り、リアルタイムでのスマートホームデータ処理に優れた効率性を示した。
• パターンマイニングにおけるワイルドカードの使用は、結果の向上に顕著な寄与を示さず、計算コストを増加させるため、本用途では推奨されない。
• 両テストフェーズにおいて10%の有用なレコメンデーション率を達成しており、プロダクション環境向けのシステムとしての強固な基盤が構築された。
• 2段階目では、1日あたりのレコメンデーション数を1.43件から0.44件に削減したが、有用性の割合は維持された。これにより、ユーザーへの干渉が著しく低減され、快適性が向上した。
• ユーザーのフィードバックに最も顕著な影響を与える要因は信頼性とパターン長であり、サポート度とアクションの位置は統計的に有意ではなかった。
• フィードバックに基づくルール削除と文脈情報の追加（例：部屋名）により、2段階目ではシステムのパフォーマンスとユーザーの関与度が向上した。