[논문 리뷰] PresenceSense: Zero-training Algorithm for Individual Presence Detection based on Power Monitoring

Ming Jin, Ruoxi Jia외 3명|eScholarship (California Digital Library)|2014. 07. 16.

Evacuation and Crowd Dynamics참고 문헌 49인용 수 25

한 줄 요약

PresenceSense는 라벨이 없는 훈련 데이터를 요구하지 않는 반감독 학습 알고리즘으로, 사무실 환경에서 전력 소비 데이터만을 사용하여 개인의 존재를 감지한다. 이 알고리즘은 개인의 플러그 로드 전력 서명의 시간적 패턴을 학습함으로써 고정밀도를 달성하며, 수동 라벨링 없이도 대규모 라벨 데이터셋으로 훈련된 감독 학습 모델을 능가한다.

ABSTRACT

Non-intrusive presence detection of individuals in commercial buildings is much easier to implement than intrusive methods such as passive infrared, acoustic sensors, and camera. Individual power consumption, while providing useful feedback and motivation for energy saving, can be used as a valuable source for presence detection. We conduct pilot experiments in an office setting to collect individual presence data by ultrasonic sensors, acceleration sensors, and WiFi access points, in addition to the individual power monitoring data. PresenceSense (PS), a semi-supervised learning algorithm based on power measurement that trains itself with only unlabeled data, is proposed, analyzed and evaluated in the study. Without any labeling efforts, which are usually tedious and time consuming, PresenceSense outperforms popular models whose parameters are optimized over a large training set. The results are interpreted and potential applications of PresenceSense on other data sources are discussed. The significance of this study attaches to space security, occupancy behavior modeling, and energy saving of plug loads.

연구 동기 및 목표

• 라벨이 없는 훈련 데이터가 필요 없는 존재 감지 시스템을 개발하여 실세계 환경에서의 구현 비용을 줄이는 것.
• 개별 전기 콘센트의 전력 소비 패턴을 비침습적이고 개인정보 보호에 유리한 신호로 활용하여 존재 감지에 활용하는 것.
• 라벨이 없는 전력 데이터에 대한 반감독 학습이 대규모 라벨 데이터셋으로 훈련된 감독 학습 모델의 성능을 근사하거나 초월할 수 있는지 평가하는 것.
• 상업적 사무실 환경에서 전력 모니터링을 활용하여 세밀한 개인 수준의 존재 감지가 가능한지 확인하는 것.
• 공간 보안, 점유 행동 모델링, 플러그 로드 에너지 관리 등 응용 가능성을 탐색하는 것.

제안 방법

• 알고리즘은 개인 전기 콘센트에서 수집한 라벨이 없는 전력 소비 데이터를 반감독 학습으로 훈련한다.
• 시간적 패턴을 모델링하여 개인의 존재 상태와 부재 상태를 구분한다.
• 특정 개인과 연관된 특징적인 전력 프로파일을 식별하기 위해 군집화 및 이상 탐지 기법을 활용한다.
• 재훈련이나 수동 라벨링 없이도 전력 사용 패턴의 변화에 동적으로 적응한다.
• 검증을 위해 초음파, 가속도계, WiFi 등의 다양한 소스 데이터를 통합하지만, 추론 과정에선 오직 전력 데이터만을 사용한다.
• 전력 신호에서 통계적 및 스펙트럼적 특성 추출을 통해 기기별 사용 패턴을 포착한다.

실험 결과

연구 질문

• RQ1 라벨이 없는 전력 소비 데이터만으로도 수동 라벨링 없이 개인의 존재를 정확하게 감지할 수 있는가?
• RQ2 라벨이 없는 전력 데이터 기반의 라벨 없음 알고리즘이 대규모 라벨 데이터셋으로 훈련된 감독 학습 모델과 비교해 어떻게 성능을 내는가?
• RQ3 신뢰할 수 있는 존재 감지를 가능하게 하는 개인의 플러그 로드 전력 서명의 핵심 특성은 무엇인가?
• RQ4 라벨이 없는 전력 데이터에 대한 반감독 학습이 다양한 개인과 사무실 환경 간에 얼마나 일반화되는가?
• RQ5 상업 빌딩의 점유율 모델링 및 에너지 절약에 있어 전력 모니터링의 실용적 영향은 무엇인가?

주요 결과

• PresenceSense는 라벨이 없는 훈련 데이터 없이도 높은 감지 정확도를 달성하였으며, 대규모 라벨 데이터셋으로 훈련된 감독 학습 모델을 능가했다.
• 알고리즘이 개인 전기 콘센트의 고유한 전력 소비 패턴을 학습하여 개인의 존재를 성공적으로 식별했다.
• 시스템은 시간이 지남에 따라 사용자 행동과 기기 사용 패턴의 변화에도 강건함을 보였다.
• 전력 모니터링만으로도 개인 수준의 존재 감지에 충분한 신호를 제공하여 침입적인 센서가 필요 없음을 입증했다.
• 수동 라벨링 프로세스를 제거함으로써 구현 오버헤드를 크게 줄였다.
• 연구 결과는 개인 전기 콘센트의 전력 서명이 비침습적 존재 감지에 적합한 분류 가능한 특징를 포함하고 있음을 확인했다.