[논문 리뷰] Occupancy Detection in Room Using Sensor Data

Mohammadhossein Toutiaee|arXiv (Cornell University)|2021. 01. 10.

Video Surveillance and Tracking Methods참고 문헌 11인용 수 5

한 줄 요약

이 연구는 센서 데이터(온도, 습도, 조도, 이산화탄소)를 사용하여 실내 점유 상태를 탐지하기 위해 의사결정트리, 랜덤 포레스트, 그래디언트 부스팅, 로지스틱 회귀, 나이브 베이즈, 커널링된 서포트 벡터 머신, K-최근접 이웃의 일곱 가지 기계학습 모델을 평가한다. 카메라 레이블링을 통한 참값이 제공된 공개 데이터셋을 사용하여, 모든 모델이 98% 이상의 정확도를 달성했으며, 조도와 이산화탄소가 가장 예측력 있는 변수로 나타났다. 이는 최소한의 특징 집합으로도 높은 성능을 발휘함을 시사한다.

ABSTRACT

With the advent of Internet of Thing (IoT), and ubiquitous data collected every moment by either portable (smart phone) or fixed (sensor) devices, it is important to gain insights and meaningful information from the sensor data in context-aware computing environments. Many researches have been implemented by scientists in different fields, to analyze such data for the purpose of security, energy efficiency, building reliability and smart environments. One study, that many researchers are interested in, is to utilize Machine Learning techniques for occupancy detection where the aforementioned sensors gather information about the environment. This paper provides a solution to detect occupancy using sensor data by using and testing several variables. Additionally we show the analysis performed over the gathered data using Machine Learning and pattern recognition mechanisms is possible to determine the occupancy of indoor environments. Seven famous algorithms in Machine Learning, namely as Decision Tree, Random Forest, Gradient Boosting Machine, Logistic Regression, Naive Bayes, Kernelized SVM and K-Nearest Neighbors are tested and compared in this study.

연구 동기 및 목표

• 환경 센서 데이터를 사용하여 일곱 가지 기존 기계학습 알고리즘의 점유 상태 탐지 성능을 평가하고 비교하는 것.
• 온도, 습도, 조도, 이산화탄소 등의 개별 및 조합된 센서 변수가 점유 상태 탐지에 미치는 예측력 평가.
• 기존 연구를 재현하고 확장하기 위해 동일한 데이터셋을 사용하며, 원래 연구에서 시험되지 않은 모델도 포함.
• 간소화된 특징 집합(예: 조도와 이산화탄소만)이 높은 정확도를 달성할 수 있는지 확인하여 자원이 제한된 환경에서의 구현 가능성 평가.

제안 방법

• 연구는 세 가지 분할(학습: 8,143개 샘플, 검증: 2,665개, 테스트: 9,752개)을 포함한 공개 데이터셋을 사용하며, 개방된 문과 닫힌 문 조건에서 수집된 데이터를 포함한다.
• 센서 변수로는 온도, 습도, 조도(일조량), 이산화탄소 농도, 비율 변수가 포함되며, 점유 상태는 이진 타겟(0 = 비점유, 1 = 점유)이다.
• 모든 모델은 학습 세트에서 훈련되고 검증 및 테스트 세트에서 평가되며, 데이터 누출을 방지하기 위해 'Date' 변수는 제외된다.
• 특징 조합으로는 조도와 이산화탄소, 이산화탄소와 온도 등 다양한 조합을 테스트하여 변수 중요도와 모델의 강건성 평가.
• 성능 평가는 정확도를 기준으로 하며, 교차 검증과 하이퍼파rameter 튜닝을 통해 각 모델의 최적화를 실시한다.
• 사용된 모델은 의사결정트리, 랜덤 포레스트, 그래디언트 부스팅 머신, 로지스틱 회귀, 나이브 베이즈, 커널링된 서포트 벡터 머신, K-최근접 이웃이며, 모두 파이썬으로 구현.

실험 결과

연구 질문

• RQ1 환경 센서 데이터만을 사용할 때, 어떤 기계학습 알고리즘이 점유 상태 탐지에서 가장 높은 정확도를 달성하는가?
• RQ2 조도와 이산화탄소 두 가지 센서 변수만을 사용할 경우, 전체 특징 집합 대비 점유 상태 예측 성능은 얼마나 우수한가?
• RQ3 개방된 문 조건(검증)과 닫힌 문 조건(테스트) 간에 모델의 성능에 유의미한 차이가 존재하는가?
• RQ4 학습, 검증, 테스트 세트 간의 일반화 능력과 강건성 측면에서 다양한 모델 간 성능 비교는 어떻게 이루어지는가?
• RQ5 인간의 존재 추적 기술이나 복잡한 융합 기법 없이도 센서 데이터만으로도 고정확도의 예측 성능를 달성할 수 있는가?

주요 결과

• 의사결정트리 모델은 학습, 검증, 테스트 세트 모두에서 98% 이상의 정확도를 기록하여 대부분의 다른 모델보다 뛰어난 성능을 보였다.
• 랜덤 포레스트와 그래디언트 부스팅 머신은 조도와 이산화탄소를 특징으로 사용할 경우 학습 및 테스트 세트에서 각각 99% 이상의 정확도를 달성했다.
• 나이브 베이즈는 조도와 이산화탄소만을 사용하여도 98%의 정확도를 기록하여 최소한의 특징 입력으로도 뛰어난 성능을 보였다.
• K-최근접 이웃 모델은 검증 세트에서 98%의 정확도, 테스트 세트에서 97%의 정확도를 기록하여 높은 일반화 능력을 입증했다.
• 이산화탄소와 온도를 함께 사용한 모델는 성능이 떨어졌으며, 조도-이산화탄소 조합 대비 정확도가 크게 하락했다.
• 조도와 이산화탄소의 조합만으로도 여러 모델과 데이터셋에서 98% 이상의 정확도를 달성하여, 이들이 가장 정보량이 많은 예측 변수임을 시사한다.