[논문 리뷰] Using consumer behavior data to reduce energy consumption in smart homes

Daniel Schweizer, Michael Zehnder외 4명|arXiv (Cornell University)|2015. 01. 01.

Data Mining Algorithms and Applications참고 문헌 13인용 수 10

한 줄 요약

이 논문은 실시간 스마트 홈 이벤트 데이터에서 빈번한 순차적 패턴을 채굴하여 수동 설정 없이도 거주자의 편안함을 해치지 않으면서 에너지 절약 조치를 자동으로 제안하는 기계학습 기반 추천 시스템을 제안한다. 맞춤형 WSSD 알고리즘과 피드백 기반 최적화를 통해 현장 테스트에서 알림 빈도가 크게 감소한 상태로 10%의 유용한 추천 비율을 달성하였다.

ABSTRACT

This paper discusses how usage patterns and preferences of inhabitants can be learned efficiently to allow smart homes to autonomously achieve energy savings. We propose a frequent sequential pattern mining algorithm suitable for real-life smart home event data. The performance of the proposed algorithm is compared to existing algorithms regarding completeness/correctness of the results, run times as well as memory consumption and elaborates on the shortcomings of the different solutions. We also present a recommender system based on the developed algorithm that provides recommendations to the users to reduce their energy consumption. The recommender system was deployed to a set of test homes. The test participants rated the impact of the recommendations on their comfort. We used this feedback to adjust the system parameters and make it more accurate during a second test phase.

연구 동기 및 목표

• 실제 이벤트 데이터로부터 주거 에너지 사용 패턴을 학습하여 편안함을 해치지 않으면서 에너지 절약을 가능하게 하는 자율 시스템을 개발하는 것.
• 스마트 홈 이벤트 스트림에서 빈번하고 주기적인 사용 패턴을 자동으로 채굴하여 수동 규칙 설정의 한계를 해결하는 것.
• 학습된 행동 패턴을 바탕으로 개인화되고 간섭이 적은 에너지 절약 제안을 제공하는 추천 시스템을 설계하는 것.
• 실제 주거 환경에서 시스템을 평가하고 사용자 피드백을 통해 추천의 관련성과 사용자 불편을 개선하는 것.
• 에너지 절약 제안 수용에 영향을 주는 핵심 요인을 특정하고 이를 바탕으로 시스템을 정교화하는 것.

제안 방법

• 스마트 홈 이벤트 데이터에 최적화된 와일드카드 지원 기능을 갖춘 신규 빈번한 순차적 패턴 채굴 알고리즘인 WSSD를 제안하였다.
• 와일드카드를 지원하는 패턴 채굴을 위해 GapBIDE 알고리즘을 변형하여 유사하지만 정확히 동일하지 않은 이벤트 시퀀스를 탐지할 수 있도록 하였다.
• 채굴된 패턴을 바탕으로 에너지 절약 제안을 생성하는 추천 시스템을 구축하였으며, 신뢰도와 패턴 길이에 따라 우선순위를 정하였다.
• 33개의 테스트 주거지(3521대의 기기, 400만 건 이상의 이벤트)에서 두 단계에 걸쳐 실생활 피드백을 수집하여 추천의 관련성과 노이즈를 감소시켰다.
• 회귀 분석을 통해 신뢰도와 패턴 길이가 사용자 피드백에 가장 크게 영향을 주는 것으로 확인되었으며, 지지도와 위치는 상대적으로 덜 중요하였다.
• 두 번째 단계에서 10회의 연속 부정 피드백을 받은 규칙을 제거하고, 방 정보와 같은 맥락 정보를 추천에 통합하며, 신뢰도 × 길이 계수를 적용하여 잠재력이 낮은 규칙을 걸러내어 시스템을 개선했다.

실험 결과

연구 질문

• RQ1 실제 스마트 홈 이벤트 데이터에서 빈번한 순차적 패턴을 효과적으로 채굴하여 수동 규칙 설정 없이도 습관적인 거주자 행동을 모델링할 수 있는가?
• RQ2 와일드카드 패턴을 포함할 경우 실생활 스마트 홈 데이터에서 순차적 패턴 채굴의 성능과 정확도에 어떤 영향을 미치는가?
• RQ3 스마트 홈 환경에서 에너지 절약 제안 수용에 영향을 주는 요인은 무엇인가?
• RQ4 사용자 피드백을 어떻게 활용하여 에너지 절약 제안의 우선순위와 관련성을 동적으로 향상시킬 수 있는가?
• RQ5 사용자 편안함을 유지하면서 추천 빈도와 유용성 사이의 균형을 어떻게 최적화할 수 있는가?

주요 결과

• 제안된 WSSD 알고리즘은 런타임과 메모리 사용량 측면에서 기존 알고리즘을 모두 압도하여 실시간 스마트 홈 데이터 처리에 있어 뛰어난 효율성을 입증하였다.
• 패턴 채굴에 와일드카드를 사용할 경우 성능 향상에 기여하지 않았고 계산 비용만 증가시켜 이 사용 사례에는 권장되지 않았다.
• 테스트의 두 단계 모두에서 시스템은 10%의 유용한 추천 비율을 달성하여 실사용 가능한 시스템의 기반을 탄탄히 구축하였다.
• 두 번째 단계에서 일일 추천 수를 1.43건에서 0.44건으로 감소시켰지만 동일한 유용성 비율을 유지하여 사용자 노이즈를 크게 줄이고 편안함을 향상시켰다.
• 사용자 피드백에 가장 중요한 예측 변수는 신뢰도와 패턴 길이였으며, 지지도와 행동 위치는 통계적으로 유의미하지 않았다.
• 피드백 기반 규칙 제거와 맥락 정보 강화(예: 방 이름)가 두 번째 단계에서 시스템 성능 향상과 사용자 참여도 향상에 기여하였다.