[논문 리뷰] A Deep Learning and Gamification Approach to Energy Conservation at Nanyang Technological University

Ioannis C. Konstantakopoulos, Andrew R. Barkan외 4명|arXiv (Cornell University)|2018. 09. 13.

Smart Grid Energy Management참고 문헌 53인용 수 5

한 줄 요약

이 논문은 스마트 빌딩 내에서 점진적인 이산 선택 게임에서 비협력적 에이젠트로 모델링된 거주자를 대상으로, 딥러닝과 게임화 프레임워크를 제안하여 에너지 절약을 향상시킨다. 고차원적이고 불균형한 IoT 센서 및 행동 데이터로부터 유틸리티 함수를 학습하기 위해 양방향 LSTM 네트워크를 활용함으로써, 예측 정확도가 크게 향상되었으며, 남양 테크놀로지 대학교에서 실시한 실제 사회적 게임 실험에서 기존의 전통적 모델들을 능가한다.

ABSTRACT

The implementation of smart building technology in the form of smart infrastructure applications has great potential to improve sustainability and energy efficiency by leveraging humans-in-the-loop strategy. However, human preference in regard to living conditions is usually unknown and heterogeneous in its manifestation as control inputs to a building. Furthermore, the occupants of a building typically lack the independent motivation necessary to contribute to and play a key role in the control of smart building infrastructure. Moreover, true human actions and their integration with sensing/actuation platforms remains unknown to the decision maker tasked with improving operational efficiency. By modeling user interaction as a sequential discrete game between non-cooperative players, we introduce a gamification approach for supporting user engagement and integration in a human-centric cyber-physical system. We propose the design and implementation of a large-scale network game with the goal of improving the energy efficiency of a building through the utilization of cutting-edge Internet of Things (IoT) sensors and cyber-physical systems sensing/actuation platforms. A benchmark utility learning framework that employs robust estimations for classical discrete choice models provided for the derived high dimensional imbalanced data. To improve forecasting performance, we extend the benchmark utility learning scheme by leveraging Deep Learning end-to-end training with Deep bi-directional Recurrent Neural Networks. We apply the proposed methods to high dimensional data from a social game experiment designed to encourage energy efficient behavior among smart building occupants in Nanyang Technological University (NTU) residential housing. Using occupant-retrieved actions for resources such as lighting and A/C, we simulate the game defined by the estimated utility functions.

연구 동기 및 목표

• 스마트 빌딩 기술이 존재함에도 불구하고 거주자 참여도가 낮은 문제를 해결하기 위해.
• 비협력적 에이젠트를 가진 시계열 이산 선택 게임으로서 건물 자원 사용에서의 인간의 의사결정을 모델링하기 위해.
• 사전에 알려지지 않은 유틸리티 함수를 실제 행동 및 센서 데이터로부터 개인 맞춤형 유틸리티 함수를 추정하기 위해.
• 고차원적이고 불균형한 데이터에서 딥러닝을 활용하여 거주자 에너지 절약 행동의 예측 정확도를 향상시키기 위해.
• 미래의 인간 중심의 사이버-물리 시스템 연구를 위한 확장 가능하고 오픈소스 기반의 인fra구조 및 데이터 세트를 개발하기 위해.

제안 방법

• 비협력적 에이젠트 간의 시계열 이산 선택 게임으로서 거주자 행동을 모델링하며, 무작위 유틸리티 함수를 가정한다.
• 고차원적이고 불균형한 IoT 데이터에서 고전적 이산 선택 모델(예: 다항 로짓, 혼합 로짓)의 강력한 추정을 통한 역강화 학습을 적용한다.
• 시간적 행동 시퀀스로부터 유틸리티 함수를 종단 간(end-to-end)으로 학습하기 위해 양방향 순환 신경망(LSTM 셀을 사용)을 활용한 새로운 딥러닝 순차 분류기 도입.
• 실제 거주자 행동 데이터에서 딥러닝 모델과 고전적 모델을 비교하기 위해 벤치마크 유틸리티 학습 파이프라인을 활용한다.
• 실시간 거주자 행동과 선호도를 수집하기 위해 인centives와 웹 포털 상호작용을 포함한 대규모 사회적 게임을 설계 및 구현한다.
• 데모 웹 포털을 개발하고, 탈식별화된 고해상도(1분 간격) 데이터 세트를 연구 목적 공개를 위해 제공한다.

실험 결과

연구 질문

• RQ1 유틸리티 함수가 알려져 있지 않고 이질적인 상황에서 거주자 에너지 절약 행동을 정확히 예측할 수 있는가?
• RQ2 딥러닝은 스마트 빌딩 내에서 시계열 인간 의사결정을 모델링할 때 고전적 이산 선택 모델 대비 예측 성능을 얼마나 향상시키는가?
• RQ3 게임화 프레임워크는 실제 주거 환경에서 거주자가 에너지 소비를 줄이도록 효과적으로 유도할 수 있는가?
• RQ4 기상 조건 및 실시간 피드백과 같은 외부 요인이 에너지 사용에서 거주자 결정에 어떤 영향을 미치는가?
• RQ5 거주자 행동의 시간적 종속성은 유틸리티 함수 추정에 어떤 영향을 미치는가?

주요 결과

• 제안된 딥러닝 순차 유틸리티 학습 모델은 모든 고전적 기준 모델을 능가하여 예측 오차를 크게 감소시켰다.
• 딥러닝 프레임워크는 특히 거주자 행동의 복잡한 시간적 종속성을 포착함으로써 예측 정확도에서 놀라운 향상을 이루었다.
• 게임화 인터페이스는 거주자 참여도를 효과적으로 향상시켰으며, 사회적 게임 실험 기간 동안 조명 및 환기· conditioning(HVAC) 사용량이 유의미하게 감소하는 것으로 관측되었다.
• 연구는 딥러닝을 통해 실생활의 고차원적이고 불균형한 IoT 데이터에서 유틸리티 함수를 신뢰성 있게 추정할 수 있음을 입증했다.
• NTU 실험에서 확보한 탈식별화된 데이터 세트는 향후 이산 선택 모델링 및 수요 반응 응용 분야 연구에 있어 귀중한 기준 자료가 된다.
• 설문지 응답에 대한 Cronbach’s alpha 값은 0.75에서 0.82 사이로, 수집된 행동 및 선호도 데이터의 내적 일관성이 적절한 수준임을 나타낸다.