[논문 리뷰] Towards the Detection of Building Occupancy with Synthetic Environmental Data

Manuel Weber, Christoph Doblander외 1명|arXiv (Cornell University)|2020. 10. 08.

Building Energy and Comfort Optimization참고 문헌 9인용 수 6

한 줄 요약

이 논문은 건물 시뮬레이션에서 생성한 합성 CO2 동적 데이터를 활용하여 딥러닝 모델에서 실제 점유자료가 필요한 양을 줄이는 전이학습 접근법을 제안한다. 400일 분량의 시뮬레이션된 CO2 데이터로 컨볼루션 신경망을 사전학습하고, 최소한의 실제 데이터(최소 1일 분량)로 미세조정함으로써, 훨씬 적은 학습 에포크 수로 더 높은 정확도와 F1 스코어를 달성하여 합성 데이터에서 실제 점유 감지 작업으로의 지식 전이가 효과적임을 보여준다.

ABSTRACT

Information about room-level occupancy is crucial to many building-related tasks, such as building automation or energy performance simulation. Current occupancy detection literature focuses on data-driven methods, but is mostly based on small case studies with few rooms. The necessity to collect room-specific data for each room of interest impedes applicability of machine learning, especially data-intensive deep learning approaches, in practice. To derive accurate predictions from less data, we suggest knowledge transfer from synthetic data. In this paper, we conduct an experiment with data from a CO$_2$ sensor in an office room, and additional synthetic data obtained from a simulation. Our contribution includes (a) a simulation method for CO$_2$ dynamics under randomized occupant behavior, (b) a proof of concept for knowledge transfer from simulated CO$_2$ data, and (c) an outline of future research implications. From our results, we can conclude that the transfer approach can effectively reduce the required amount of data for model training.

연구 동기 및 목표

• 건물 자동화 분야에서 딥러닝 모델을 훈련시키기 위한 실제 점유 데이터의 부족 문제를 해결하기 위해.
• 물리적 시뮬레이션에서 유도된 합성 환경 데이터가 실제 점유 감지 작업으로 지식을 효과적으로 전이할 수 있는지 조사하기 위해.
• 시뮬레이션된 데이터에서 사전학습된 모델을 활용하여 실내 점유 모델링에 필요한 데이터 수집 부담을 줄이기 위해.
• 기존의 실제 데이터로 훈련하는 것과 비교하여 합성 CO2 데이터를 사용한 전이학습의 성능을 평가하기 위해.
• 시뮬레이션 기반 데이터를 활용하여 건물 에너지 및 자동화 시스템에서 데이터 효율적인 딥러닝을 가능하게 할 수 있는지 탐색하기 위해.

제안 방법

• 두 단계의 시뮬레이션 파이프라인을 개발: 먼저 점유자 존재 및 행동을 시뮬레이션하고, 그 다음 질량 보존 방정식을 사용하여 CO2 농도 동적 변화를 시뮬레이션.
• 가상의 사무실 400일 분량의 합성 CO2 데이터를 생성하였으며, 점유자 행동과 실내 부피, 누수율 등 실내 특성에 따라 랜덤화된 파ameters를 적용.
• 기본 딥러닝 모델(컨볼루션 신경망)을 합성 CO2 데이터로 사전학습하여 점유와 관련된 일반적인 패턴을 학습.
• 전이학습을 적용하기 위해 사전학습된 가중치로 목표 모델을 초기화하고, 한 개의 사무실 실내에서 수집한 실제 CO2 센서 데이터로 미세조정.
• 고정된 학습률 0.001, 배치 크기 70, 성능 향상 없이 20 에포크 동안 지속될 경우 조기 종료를 적용하여 최적화.
• 정확도와 F1 스코어를 사용하여 성능 평가하였으며, 10겹 교차검증을 통해 1일, 2일, 3일, 또는 4일 분량의 실제 데이터를 훈련 세트로 사용.

실험 결과

연구 질문

• RQ1 물리적 시뮬레이션에서 유도된 합성 CO2 데이터가 실제 데이터에서 점유 감지 모델의 성능을 효과적으로 향상시킬 수 있는가?
• RQ2 합성 데이터에서의 전이학습이 점유 감지에 필요한 실제 데이터의 양을 얼마나 줄일 수 있는가?
• RQ3 제한된 실제 데이터로 훈련된 전이학습 모델과 비전이 모델의 성능는 어떻게 비교되는가?
• RQ4 합성 데이터에서의 지식 전이가 성능 지표의 변동성을 줄여주어 모델의 강건성을 향상시키는가?
• RQ5 합성 데이터에서 사전학습된 모델이 광범위한 미세조정 없이도 실제 테스트 데이터에서 높은 정확도를 달성할 수 있는가?

주요 결과

• 전이학습 모델은 단지 2일 분량의 실제 훈련 데이터로도 테스트 정확도 0.920을 달성하였고, 이는 4일 분량의 실제 데이터로 훈련된 비전이 모델의 0.910 정확도와 유사한 성능을 보였다.
• 단지 1일 분량의 실제 데이터로도 전이학습 모델은 0.870의 정확도를 달성하였고, 비전이 모델이 2일 분량의 데이터로 훈련했을 때의 0.860 정확도보다 높았다.
• 2일 분량의 실제 데이터로 훈련했을 때 전이학습 모델은 F1 스코어 0.866 ± 0.038을 기록하였고, 비전이 모델은 0.829 ± 0.056을 기록하여 더 높은 성능를 보였다.
• 실제 데이터 1일 분량으로 훈련했을 때 전이학습 모델은 평균 30 에포크 미만으로 학습이 끝났지만, 비전이 모델은 평균 91.3 에포크가 소요되었다.
• 전이학습 모델의 성능 지표 표준편차가 감소하여, 다양한 데이터 분할에 대해 더 높은 강건성을 보였다.
• 사전학습된 기본 모델은 100일 분량의 시뮬레이션된 테스트 데이터에서 정확도 0.981, F1 스코어 0.963을 기록했지만, 미세조정 없이 실제 데이터에서는 성능이 열악하여 전이 단계의 필요성을 확인했다.