[논문 리뷰] Build2Vec: Building Representation in Vector Space

Mahmoud Abdelrahman, Adrian Chong외 1명|arXiv (Cornell University)|2020. 07. 01.

Data Quality and Management참고 문헌 20인용 수 10

한 줄 요약

이 논문은 BIM(건축정보모델)을 node2Vec 및 STAR 모델을 사용하여 벡터 표현으로 변환하는 그래프 임베딩 프레임워크인 Build2Vec을 제안한다. IFC 기반의 공간 및 IoT 센서 데이터를 특성 부여된 그래프로 변환함으로써, 저차원 벡터 공간에서 의미적, 공간적, 시간적 관계를 포괄하게 되어 스마트 빌딩(특히 NUS의 SDE4 넷제로에너지 빌딩)에서 예측 및 분류와 같은 기계학습 작업의 성능 향상을 가능하게 한다.

ABSTRACT

In this paper, we represent a methodology of a graph embeddings algorithm that is used to transform labeled property graphs obtained from a Building Information Model (BIM). Industrial Foundation Classes (IFC) is a standard schema for BIM, which is utilized to convert the building data into a graph representation. We used node2Vec with biased random walks to extract semantic similarities between different building components and represent them in a multi-dimensional vector space. A case study implementation is conducted on a net-zero-energy building located at the National University of Singapore (SDE4). This approach shows promising machine learning applications in capturing the semantic relations and similarities of different building objects, more specifically, spatial and spatio-temporal data.

연구 동기 및 목표

• 다양한 유형의 빌딩 데이터—공간적(BIM), 시간적(IoT 센서), 동적 거주자 행동—을 통합하여 기계학습에 적합한 통합된 표현으로 변환하는 데 도전한다.
• 특성 부여된 그래프 임베딩을 통해 빌딩 구성 요소의 의미적 및 구조적 이해를 가능하게 하는 그래프 기반 프레임워크를 개발한다.
• 그래프 임베딩(node2Vec 및 STAR)이 실제 스마트 빌딩 환경에서의 시공간 관계를 효과적으로 포착할 수 있는지 타당성을 평가한다.
• 벡터화된 빌딩 표현이 빌딩 성능 및 거주자 편안함과 관련된 예측, 분류, 추천 시스템의 성능 향상에 어떻게 기여하는지 구현한다.

제안 방법

• BIM 모델을 IFC 기반으로 하여 노드가 빌딩 구성 요소(예: 벽, 문, 공간 등)를 나타내고, 간선이 공간적 또는 기능적 관계를 나타내는 특성 부여된 그래프로 변환한다. 속성은 구성 요소의 특성과 센서 데이터를 포함한다.
• 빌딩 구성 요소 간의 의미적 유사성과 위상적 유사성을 캡처하기 위해 node2Vec에서 편향된 무작위 보행을 적용하여 저차원 벡터 표현을 학습한다.
• 시간에 따른 센서 데이터 및 거주자 이동 변화를 기록하기 위해 시간적 변화를 다차원 인접 텐서로 구성한다.
• 환경 및 행동 패턴의 시계열 모델링을 가능하게 하기 위해 시공간 주의형 순환신경망(STAR) 모델을 사용하여 센서 및 거주자 피드백 데이터의 시간적 동적 특성을 포착한다.
• 빌딩 공간을 2차원 셀로 이산화하여 각 시간 단계에서 거주자와 센서 간의 공간적 근접성과 동적 상호작용을 모델링한다.
• 거주자 피드백을 동적 노드 속성으로 통합하여, 거주자를 이동 가능한 센서로 간주하고 편안함 상태(편안, 불편, 중립)를 레이블링하여 지도 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 IFC 기반 BIM 데이터에서 유도된 빌딩 구성 요소 간의 의미적 및 구조적 관계를 다차원 벡터 공간에서 효과적으로 표현할 수 있는가?
• RQ2 실제 빌딩 환경에서 node2Vec가 문, 창문, 방과 같은 빌딩 요소 간의 공간적 및 기능적 유사성을 얼마나 잘 포착할 수 있는가?
• RQ3 STAR 모델이 스마트 빌딩 환경에서 센서 데이터 및 거주자 행동의 시간적 동적 특성을 어느 정도 잘 모델링할 수 있는가?
• RQ4 공간적, 시간적, 거주자 데이터의 병합된 벡터 표현이 빌딩 관련 예측 및 분류 작업의 기계학습 성능 향상에 기여하는가?
• RQ5 IoT 센서 데이터와 거주자 피드백을 그래프 기반 임베딩 프레임워크에 통합함으로써 BIM 모델의 해석 가능성과 활용도는 어떻게 향상되는가?

주요 결과

• 복잡한 IFC 기반 BIM 데이터를 공간적, 시간적, 거주자 행동 데이터를 통합한 통합된 특성 부여된 그래프 표현으로 성공적으로 변환하였다.
• node2Vec는 위상적 및 의미적 관계를 유지하는 의미 있는 벡터 표현을 생성하였으며, 예를 들어 동일한 IfcSpace 내에 존재하는 IfcDoor와 IfcWindow 노드 간의 공간적 근접성을 잘 반영하였다.
• STAR 모델은 센서 데이터 및 거주자 피드백의 시간적 패턴을 효과적으로 포착하여 환경 및 편안함의 시계열 동적 패턴을 모델링하는 데 기여하였다.
• 2차원 셀로 이산화한 공간 구조를 통해 시간에 따라 변화하는 거주자 이동 및 센서 상호작용을 동적 모델링할 수 있었다.
• 그래프 모델에 거주자 피드백을 레이블된 속성으로 통합함으로써 열기온 편안함 예측을 위한 지도 학습 모델 훈련의 타당성을 입증하였다.
• 실시간 온라인 데모와 고해상도 시각화 결과는 제안된 그래프 임베딩 프레임워크가 실제 스마트 빌딩 응용에 있어 확장성과 해석 가능성 면에서 유의미한 성능을 보임을 확인하였다.