[논문 리뷰] Transfer Learning for Thermal Comfort Prediction in Multiple Cities

Nan Gao, Wei Shao외 4명|arXiv (Cornell University)|2020. 04. 29.

Building Energy and Comfort Optimization참고 문헌 73인용 수 11

한 줄 요약

이 논문은 동일한 기후대에 속한 여러 도시의 센서 데이터를 활용하여, 라벨이 제한된 데이터로도 건물 내 열적 쾌적함 예측 성능을 향상시키는 전이학습 기반 다층퍼셉트론 모델(TL-MLP-C*)을 제안한다. 소스 데이터셋(ASHRAE RP-884 및 Scales Project)에서 사전 훈련된 모델의 가중치를 타겟 건물(Medium US Office)에 적용함으로써, 정확도와 F1 점수 모두 최신 기술 수준(SOTA)을 달성하며, 외부 환경 특징이 주요 기여 요소인 열적 쾌적함 모델링을 위한 도시 간 전이학습의 효과성을 입증한다.

ABSTRACT

HVAC (Heating, Ventilation and Air Conditioning) system is an important part of a building, which constitutes up to 40% of building energy usage. The main purpose of HVAC, maintaining appropriate thermal comfort, is crucial for the best utilisation of energy usage. Besides, thermal comfort is also crucial for well-being, health, and work productivity. Recently, data-driven thermal comfort models have got better performance than traditional knowledge-based methods (e.g. Predicted Mean Vote Model). An accurate thermal comfort model requires a large amount of self-reported thermal comfort data from indoor occupants which undoubtedly remains a challenge for researchers. In this research, we aim to tackle this data-shortage problem and boost the performance of thermal comfort prediction. We utilise sensor data from multiple cities in the same climate zone to learn thermal comfort patterns. We present a transfer learning based multilayer perceptron model from the same climate zone (TL-MLP-C*) for accurate thermal comfort prediction. Extensive experimental results on ASHRAE RP-884, the Scales Project and Medium US Office datasets show that the performance of the proposed TL-MLP-C* exceeds the state-of-the-art methods in accuracy, precision and F1-score.

연구 동기 및 목표

• 건물 HVAC 시스템에서 자기 보고 기반 열적 쾌적함 데이터가 부족한 문제를 해결하여 정확한 모델링을 가능하게 한다.
• 동일한 기후대에 속한 여러 도시 간 전이학습을 활용하여, 데이터가 부족한 환경에서 열적 쾌적함 예측 성능을 향상시킨다.
• 효과적인 전이학습을 위해 열적 쾌적함 모델링에서 가장 영향력 있는 특징을 규명한다.
• 스마트 빌딩의 HVAC 자동화 및 에너지 효율성을 향상시키기 위해 강건하고 데이터 효율적인 방법을 개발한다.

제안 방법

• 소스 데이터셋(ASHRAE RP-884 및 Scales Project)에서 사전 훈련된 모델의 마지막 은닉층 가중치를 사용해 타겟 모델을 초기화함으로써 전이학습을 적용한다.
• 타겟 도메인(Medium US Office 데이터셋의 Friends Center 건물)에 적합한 다층퍼셉트론(MLP) 아키텍처를 사용하고, 최종 레이어를 미세조정한다.
• 열적 쾌적함 데이터셋의 클래스 불균형 문제를 완화하기 위해 TabularGAN을 통합하여 소수 클래스를 재표본화한다.
• 실내 및 실외 환경 변수(예: 실외 온도, 습도, 풍속 등)를 포함한 특징 세트를 선별하고 평가하여 전이학습에 가장 효과적인 입력을 규명한다.
• 은닉층 수를 최적화하여 2개의 은닉층이 정확도와 F1 점수 모두 최고 성능을 내는 것으로 확인한다.
• 다양한 데이터셋에서 TL-MLP-C* 모델을 훈련하고 검증하며, 최신 기술 수준의 방법들과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 동일한 기후대에 속한 여러 도시에서의 전이학습이, 라벨 데이터가 제한된 타겟 건물의 열적 쾌적함 예측 성능을 향상시킬 수 있는가?
• RQ2 실내, 실외, 또는 병합된 특징 세트 중 어느 것이 열적 쾌적함 모델링을 위한 전이학습에서 가장 높은 성능을 내는가?
• RQ3 신경망의 은닉층 수가 전이학습 모델의 예측 성능에 어떤 영향을 미치는가?
• RQ4 열적 쾌적함 데이터의 클래스 불균형이 모델 성능에 미치는 영향은 어느 정도이며, 이를 효과적으로 완화할 수 있는가?

주요 결과

• TL-MLP-C* 모델은 Medium US Office 데이터셋에서 모든 비교 방법 중 가장 높은 정확도(54.50%)와 F1 점수를 기록하며 최신 기술 수준(SOTA)을 달성한다.
• 실외 환경 특징(예: 실외 온도, 습도, 풍속)의 포함이 모델 성능 향상에 크게 기여하며, 특히 Xc 특징 세트에서 두드러진다. 이는 실외 환경 특징이 열적 쾌적함 예측에 핵심적인 역할을 한다는 것을 시사한다.
• 은닉층이 2개인 모델이 최적의 성능을 내며, 더 깊은 네트워크에서는 과적합 및 파rameter 수 증가로 인해 정확도가 감소함을 확인하였다.
• TabularGAN 기반 재표본화는 다수 클래스 크기를 초과하지 않도록 소수 클래스에 대해 합성 샘플을 생성함으로써 클래스 불균형 문제를 효과적으로 해결하며, 모델 일반화 능력을 향상시킨다.
• 전이학습 접근법을 통해 소스 도메인(ASHRAE RP-884 및 Scales Project)에서 타겟 도메인으로 지식 전이가 효과적으로 이루어지며, 타겟 건물의 라벨 데이터가 제한된 상황에서도 성능 향상을 이룬다.
• 본 연구는 실외 기후 변수가 효과적인 전이학습에서 가장 중요한 기여 요소임을 규명하였으며, 열적 쾌적함 모델링에서 환경적 맥락의 중요성을 강조한다.