[論文レビュー] Indoor occupancy estimation from carbon dioxide concentration

Chaoyang Jiang, Mustafa K. Masood+2 more|arXiv (Cornell University)|Jul 20, 2016

Machine Learning and ELM参考文献 41被引用数 5

ひとこと要約

本稿では、リアルタイムCO2濃度を活用して、特徴スケーリング付き極端学習機械（FS-ELM）を用いて占有動態をモデル化することで、非侵襲的かつ室内の占有状況を推定する手法を提案する。事前平滑化されたCO2データと、リアルタイムで局所的に平滑化されたデータを用いることで、精度が著しく向上し、24区画のオフィス環境で4名の占有状況において最大94％の許容誤差精度を達成した。

ABSTRACT

This paper presents an indoor occupancy estimator with which we can estimate the number of real-time indoor occupants based on the carbon dioxide (CO2) measurement. The estimator is actually a dynamic model of the occupancy level. To identify the dynamic model, we propose the Feature Scaled Extreme Learning Machine (FS-ELM) algorithm, which is a variation of the standard Extreme Learning Machine (ELM) but is shown to perform better for the occupancy estimation problem. The measured CO2 concentration suffers from serious spikes. We find that pre-smoothing the CO2 data can greatly improve the estimation accuracy. In real applications, however, we cannot obtain the real-time globally smoothed CO2 data. We provide a way to use the locally smoothed CO2 data instead, which is real-time available. We introduce a new criterion, i.e. $x$-tolerance accuracy, to assess the occupancy estimator. The proposed occupancy estimator was tested in an office room with 24 cubicles and 11 open seats. The accuracy is up to 94 percent with a tolerance of four occupants.

研究の動機と目的

• 建物のエネルギー消費を削減するため、CO2濃度を用いて非侵襲的かつ端末機器に依存しない室内の占有状況推定手法を開発すること。
• プライバシーおよびコストの懸念から、監視カメラ、RFID、または端末装置に依存する従来の手法の限界を克服すること。
• 移動時間窓内におけるCO2濃度、換気状態、および過去の占有状況レベルを動的関数としてモデル化することで、推定精度を向上させること。
• リアルタイム応用において性能を低下させるノイズの多いCO2データのスパイクに対処すること。
• グローバルに平滑化されたデータが実際には入手できない状況を考慮し、局所的に平滑化されたCO2データを用いてリアルタイムでの占有状況推定を可能にすること。

提案手法

• 現在の占有状況がCO2濃度、換気レベル、および移動時間窓内の過去の占有状況レベルに依存する離散時間動的モデルとして、占有状況推定器を定式化する。
• 入力データに基づいて隠れ層の重みをスケーリングする特徴層を追加した、新しい特徴スケーリング付き極端学習機械（FS-ELM）を提案する。この手法により、一般化性能とロバストネスが向上する。
• 標準ELMに比べ、FS-ELMは混合入力特徴の処理をより効果的に行い、高値のCO2データがモデル出力に与える影響を低減する。
• トレーニングおよびテストのパフォーマンス向上のため、CO2データを事前にグローバルに平滑化する。また、局所的に利用可能なデータを用いてグローバル平滑化を近似する手法を開発した。
• 性能を評価するための新しい基準、x-許容誤差精度を導入し、許容範囲内（例：±4名）の誤差を許容して正解とみなす。
• 推定器は、24区画と11のオープンシートを有する9.3m×20mのオフィスルームから収集した実際のCO2データおよび占有状況データを用いてトレーニングおよびテストした。

実験結果

リサーチクエスチョン

• RQ1 監視カメラなどの侵襲的センサーを必要とせず、CO2濃度と過去の占有状況レベルに基づく動的モデルが、リアルタイムでの室内の占有状況を正確に推定できるか。
• RQ2 ノイズの多いCO2データが存在する状況下で、提案されたFS-ELMアルゴリズムは標準ELMに比べて推定精度をどのように向上させるか。
• RQ3 事前平滑化されたCO2データは、特に占有状況の検出に寄与する程度はどの程度か。
• RQ4 局所的に平滑化されたCO2データは、リアルタイム応用においてグローバルに平滑化されたデータの性能を効果的に再現できるか。
• RQ5 特に大規模なオフィス環境において、占有状況数の許容誤差を認めた場合、推定器の実用的精度はどの程度か。

主な発見

• FS-ELM推定器は、標準ELMの5.9575に比べ、1.7726という著しく低い平均二乗誤差（RMSE）を達成し、真の占有状況レベルの追従性が向上した。
• 4名の許容誤差を設けると、推定器は94％の精度に達した。これは、HVACおよび照明制御システムにおける強力な実用的有用性を示している。
• 事前平滑化により、誤検出率（FDR）が低下し、特に低占有状況時における部屋の占有状況検出の信頼性が向上した。
• 局所的に平滑化されたCO2データを用いることで、グローバルに平滑化されたデータを用いた場合とほぼ同一の結果が得られ、リアルタイム応用における実現可能性が裏付けられた。
• 部屋が空の状態でも誤検出率（FPR）が高くなる傾向にあり、低占有状況とゼロ占有状況を区別する課題が浮き彫りになった。
• x-許容誤差精度は、3名の占有状況で89％、4名で94％に達した。これは、小さな推定誤差が建物のエネルギー管理意思決定にほとんど影響を与えないことを確認している。