[논문 리뷰] Sensor-Type Classification in Buildings

Dezhi Hong, Jorge Ortiz외 2명|arXiv (Cornell University)|2015. 09. 01.

Context-Aware Activity Recognition Systems참고 문헌 24인용 수 4

한 줄 요약

이 논문은 시간 시리즈 데이터에서 추출한 통계적 특징을 활용하여 상업용 건물 내 센서 유형을 분류하기 위한 기계학습 기반 접근법을 제안한다. 앙상블 학습(랜덤 포레스트)을 활용해 건물 내에서는 92% 이상, 건물 간에서는 82% 이상의 정확도를 달성한다. 이 방법은 메타데이터가 누락되거나 일관되지 않은 경우에도 데이터 패턴에서 센서 유형을 추론함으로써 확장 가능한 메타데이터 정규화를 가능하게 한다.

ABSTRACT

Many sensors/meters are deployed in commercial buildings to monitor and optimize their performance. However, because sensor metadata is inconsistent across buildings, software-based solutions are tightly coupled to the sensor metadata conventions (i.e. schemas and naming) for each building. Running the same software across buildings requires significant integration effort. Metadata normalization is critical for scaling the deployment process and allows us to decouple building-specific conventions from the code written for building applications. It also allows us to deal with missing metadata. One important aspect of normalization is to differentiate sensors by the typeof phenomena being observed. In this paper, we propose a general, simple, yet effective classification scheme to differentiate sensors in buildings by type. We perform ensemble learning on data collected from over 2000 sensor streams in two buildings. Our approach is able to achieve more than 92% accuracy for classification within buildings and more than 82% accuracy for across buildings. We also introduce a method for identifying potential misclassified streams. This is important because it allows us to identify opportunities to attain more input from experts -- input that could help improve classification accuracy when ground truth is unavailable. We show that by adjusting a threshold value we are able to identify at least 30% of the misclassified instances.

연구 동기 및 목표

• 상업용 건물 간 센서 메타데이터의 일관성 부족과 불완전성 문제를 해결하여 건물 분석 소프트웨어의 확장 가능한 구현을 가능하게 한다.
• 응용 프로그램 로직을 건물별로 다른 이름 규칙과 메타데이터 스키마에서 분리하여 소프트웨어의 재사용성을 향상시킨다.
• 신뢰할 수 없는 메타데이터에 의존하지 않고 데이터 패턴 기반으로 센서 유형(예: 온도, 압력 등)을 일반화된 자동화된 방법으로 분류하는 방법을 개발한다.
• 데이터 기반 분류를 통해 센서 유형 메타데이터를 정규화하여 건물 간 센서 스트림의 광범위한 검색 가능성을 확보한다.
• 예측 확률을 활용해 잠재적으로 잘못 분류된 센서 스트림을 식별하여 전문가 검토를 유도하고 모델 정확도를 반복적으로 향상시킨다.

제안 방법

• 각 센서 스트림을 나타내기 위해 시간 시리즈 데이터의 짧은 시간 윈도우에서 통계적 특징(예: 평균, 표준편차, 백분위수)을 추출한다.
• 추출된 특징을 바탕으로 앙상블 의사결정수형(랜덤 포레스트)을 사용해 센서 유형을 분류한다.
• 다양한 센서 유형에 일반적이고 효과적인 특징 세트를 사용해 두 건물의 레이블이 부여된 센서 스트림을 기반으로 모델을 훈련한다.
• 낮은 신뢰도 예측을 보이는 경우를 오분류 가능성이 높은 것으로 간주하고 확률 기반 임계값 기법을 적용해 이격된 인스턴스를 식별한다.
• 확률 기반 임계값 기반으로 식별된 전문가 레이블이 부여된 후보자들을 재훈련하여 모델을 반복적으로 개선한다.
• 정확도와 레이블링 노력의 균형을 고려해 윈도우 크기와 훈련 인스턴스 수를 최적화하며, 센서 유형당 약 100개의 인스턴스로도 학습을 시작하는 데에 충분함을 보여준다.

실험 결과

연구 질문

• RQ1 짧은 시간 윈도우에서 추출한 시간 시리즈 데이터의 통계적 특징이 상업용 건물 내 센서 유형을 효과적으로 구분할 수 있는가?
• RQ2 다양한 메타데이터 관행을 가진 다른 건물로의 일반화 능력은 어느 정도인가?
• RQ3 확률 기반 접근법이 전문가 검토를 위한 잠재적으로 잘못 분류된 센서 스트림을 식별하는 데 얼마나 효과적인가?
• RQ4 이 방법으로 안정적인 센서 유형 분류를 달성하기 위해 필요한 최소 훈련 인스턴스 수는 얼마인가?
• RQ5 윈도우 크기 선택이 센서 유형 분류 시스템의 정확도에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 모델이 훈련된 동일한 건물 내 테스트에서 92% 이상의 분류 정확도를 달성한다.
• 모델은 예측되지 않은 건물로도 효과적으로 일반화되어 건물 간 분류 작업에서 82% 이상의 정확도를 달성한다.
• 예측 확률을 활용해 최소 30%의 잘못 분류된 인스턴스를 식별함으로써 전문가 검토를 위한 타겟팅된 검토를 가능하게 하며 정확도 향상을 이룬다.
• 이 방법은 센서 유형당 약 100개의 훈련 인스턴스만으로도 안정적인 성능을 달성하여 레이블링 노력의 감소를 크게 이룬다.
• 시간 시리즈 데이터에서 추출한 백분위수 기반 통계적 특징은 메타데이터가 일관되지 않은 건물 간에도 센서 유형을 효과적으로 구분하는 데 유용하다.
• 앙상블 학습 방법(랜덤 포레스트)이 이 맥락에서 단일 분류기보다 우수한 성능을 보이며 데이터 변동성에 대한 강건성을 입증한다.