[논문 리뷰] Indoor occupancy estimation from carbon dioxide concentration

Chaoyang Jiang, Mustafa K. Masood외 2명|arXiv (Cornell University)|2016. 07. 20.

Machine Learning and ELM참고 문헌 41인용 수 5

한 줄 요약

이 논문은 실시간 이산화탄소 농도를 활용하여 비침습적 실내 점유자 수 추정기를 제안하며, 특성 스케일링된 극단적 학습 기계(FS-ELM)를 사용하여 점유자 수의 동적 변화를 모델링한다. 사전에 코2 데이터를 스무딩하고 실시간으로 국소적으로 스무딩된 데이터를 사용함으로써 정확도가 크게 향상되었으며, 24개의 칸이 있는 사무실 환경에서 4명의 점유자 상태에서 최대 94%의 허용 오차 기반 정확도를 달성하였다.

ABSTRACT

This paper presents an indoor occupancy estimator with which we can estimate the number of real-time indoor occupants based on the carbon dioxide (CO2) measurement. The estimator is actually a dynamic model of the occupancy level. To identify the dynamic model, we propose the Feature Scaled Extreme Learning Machine (FS-ELM) algorithm, which is a variation of the standard Extreme Learning Machine (ELM) but is shown to perform better for the occupancy estimation problem. The measured CO2 concentration suffers from serious spikes. We find that pre-smoothing the CO2 data can greatly improve the estimation accuracy. In real applications, however, we cannot obtain the real-time globally smoothed CO2 data. We provide a way to use the locally smoothed CO2 data instead, which is real-time available. We introduce a new criterion, i.e. $x$-tolerance accuracy, to assess the occupancy estimator. The proposed occupancy estimator was tested in an office room with 24 cubicles and 11 open seats. The accuracy is up to 94 percent with a tolerance of four occupants.

연구 동기 및 목표

• 건물 내 에너지 소비를 줄이기 위해 카메라, RFID, 터미널 장치 등과 같은 침입적 센서를 요구하지 않는 비침습적, 비터미널 기반 실내 점유자 수 추정 방법을 개발하기 위해.
• 사생활 보호 및 비용 문제로 인해 기존의 카메라, RFID, 터미널 기반 방법의 한계를 극복하기 위해.
• 이동 시간 창 내에서 이산화탄소 농도, 환기 상태, 과거 점유자 수 수준을 동적 함수로 모델링하여 추정 정확도를 향상시키기 위해.
• 실시간 응용에서 성능을 떨어뜨리는 노이즈가 많은 코2 데이터의 급격한 피크 문제를 해결하기 위해.
• 전역적으로 스무딩된 데이터가 실사용에서 이용 가능하지 않은 점을 감안해 국소적으로 스무딩된 코2 데이터를 사용하여 실시간 점유자 수 추정을 가능하게 하기 위해.

제안 방법

• 현재 점유자 수가 이산화탄소 농도, 환기 수준, 이동 시간 창 내 과거 점유자 수 수준에 따라 결정되는 이산 시간 동적 모델로 점유자 추정기를 수립한다.
• 입력 데이터에 기반해 은닉층 가중치를 스케일링하는 기능층을 추가한 새로운 특성 스케일링 극단적 학습 기계(FS-ELM)를 제안하며, 일반화 및 강인성을 향상시킨다.
• 표준 ELM에 비해 혼합 입력 특성 처리 능력이 향상되고 고크기의 코2 데이터가 모델 출력에 미치는 영향을 감소시켜 성능을 향상시킨다.
• 학습 및 테스트 성능 향상을 위해 코2 데이터를 사전에 전역적으로 스무딩하며, 국소적으로 이용 가능한 데이터를 사용해 전역 스무딩을 근사하는 방법을 개발한다.
• 소규모 추정 오차(예: ±4명)를 허용하는 정확도 평가 기준인 x-허용 오차 정확도를 신규 도입하여 성능 평가를 수행한다.
• 실제로 24개의 칸과 11개의 개방 좌석이 있는 9.3m×20m 사무실에서 측정한 실시간 코2 농도 및 점유자 수 데이터를 기반으로 추정기를 학습 및 테스트한다.

실험 결과

연구 질문

• RQ1 침입적 센서가 필요 없이 이산화탄소 농도와 과거 점유자 수 수준에 기반한 동적 모델이 실시간 실내 점유자 수를 정확하게 추정할 수 있는가?
• RQ2 노이즈가 많은 코2 데이터 상황에서 제안된 FS-ELM 알고리즘이 표준 ELM 대비 추정 정확도를 얼마나 향상시키는가?
• RQ3 코2 데이터를 사전 스무딩하는 것이 점유자 존재 감지를 포함한 점유자 수 추정 성능 향상에 어느 정도 기여하는가?
• RQ4 전역적으로 스무딩된 데이터의 성능을 근사하기 위해 국소적으로 스무딩된 코2 데이터를 실시간 응용에서 효과적으로 사용할 수 있는가?
• RQ5 특히 대규모 사무실 환경에서 점차적인 오차를 허용할 경우 추정기의 실용적 정확도는 어느 정도인가?

주요 결과

• FS-ELM 추정기는 표준 ELM의 5.9575에 비해 루트 평균 제곱 오차(RMSE)가 1.7726으로 유의미하게 낮아 실제 점유자 수 수준을 더 잘 추적함을 보였다.
• 4명의 점유자 허용 오차 기준으로 추정기는 94%의 정확도를 달성하여 환기 및 조명 제어 시스템에 강력한 실용성을 보였다.
• 사전 스무딩된 코2 데이터 사용은 거짓 탐지율(FDR)을 감소시키고, 특히 저점유자 상태 기간 동안 실내 점유자 존재를 감지하는 데 있어 전체 추정 신뢰도를 향상시켰다.
• 국소적으로 스무딩된 코2 데이터를 사용한 결과, 전역적으로 스무딩된 데이터를 사용한 결과와 거의 동일한 성능을 달성하여 실시간 응용에서의 실현 가능성을 입증했다.
• 실내에 사람이 없을 때 거짓 긍정률(FPR)이 높게 나타나, 저점유자 상태와 0명 점유자 상태를 구분하는 데 어려움이 있음을 시사했다.
• x-허용 오차 정확도는 3명 기준 89%, 4명 기준 94%에 도달하여 소규모 추정 오차가 건물 에너지 관리 결정에 미치는 영향이 미미함을 확인했다.