[论文解读] PresenceSense: Zero-training Algorithm for Individual Presence Detection based on Power Monitoring

Ming Jin, Ruoxi Jia+3 more|eScholarship (California Digital Library)|Jul 16, 2014

Evacuation and Crowd Dynamics参考文献 49被引用 25

一句话总结

PresenceSense 是一种零训练、半监督算法，仅使用电源消耗数据即可在办公环境中检测个体存在状态，无需标注训练数据。它通过学习电器负载的时序功率特征模式实现高精度检测，其性能优于在大规模标注数据集上训练的监督模型，且无需任何人工标注工作。

ABSTRACT

Non-intrusive presence detection of individuals in commercial buildings is much easier to implement than intrusive methods such as passive infrared, acoustic sensors, and camera. Individual power consumption, while providing useful feedback and motivation for energy saving, can be used as a valuable source for presence detection. We conduct pilot experiments in an office setting to collect individual presence data by ultrasonic sensors, acceleration sensors, and WiFi access points, in addition to the individual power monitoring data. PresenceSense (PS), a semi-supervised learning algorithm based on power measurement that trains itself with only unlabeled data, is proposed, analyzed and evaluated in the study. Without any labeling efforts, which are usually tedious and time consuming, PresenceSense outperforms popular models whose parameters are optimized over a large training set. The results are interpreted and potential applications of PresenceSense on other data sources are discussed. The significance of this study attaches to space security, occupancy behavior modeling, and energy saving of plug loads.

研究动机与目标

• 开发一种无需标注训练数据的存在检测系统，以减少在真实场景中的部署工作量。
• 利用个体电器负载的电源消耗模式作为非侵入式、保护隐私的信号源进行存在检测。
• 评估在未标注电源数据上进行半监督学习是否能与在大规模标注数据集上训练的监督模型性能相当或更优。
• 证明在商业办公环境中使用电源监测实现细粒度个体存在检测的可行性。
• 探索在空间安全、人员行为建模及电器负载能效管理中的应用。

提出的方法

• 该算法使用半监督学习方法，基于从单个电源插座采集的未标注电源消耗数据进行训练。
• 通过建模电源特征中的时序模式，区分个体的在场与离场状态。
• 该方法依赖聚类与异常检测技术，识别与特定个体相关的特征电源轮廓。
• 系统可动态适应电源使用模式的变化，无需重新训练或人工标注。
• 系统在验证阶段整合来自多种传感器（超声波、加速度计、WiFi）的数据，但在推理阶段仅依赖电源数据运行。
• 从电源信号中提取的特征包括统计特性和频谱特性，以捕捉设备特有的使用模式。

实验结果

研究问题

• RQ1 是否可以仅使用未标注的电源消耗数据，无需任何人工标注，准确检测个体存在？
• RQ2 基于电源监测的零训练算法性能与在大规模标注数据集上训练的监督模型相比如何？
• RQ3 哪些个体电器负载电源特征能够实现可靠的存在检测？
• RQ4 在未标注电源数据上进行的半监督学习在不同个体和办公环境之间具有多大程度的泛化能力？
• RQ5 在商业建筑中使用电源监测进行人员占用建模与节能管理的实际影响是什么？

主要发现

• PresenceSense 在无需任何标注训练数据的情况下实现了高检测准确率，性能优于在大规模标注数据集上训练的监督模型。
• 该算法通过学习单个电器负载的特有电源消耗模式，成功识别了个体存在状态。
• 系统对用户行为和设备使用随时间变化的波动表现出强鲁棒性。
• 仅依靠电源监测即可提供足够的信号实现个体级别的存在检测，无需使用侵入式传感器。
• 该方法通过消除耗时的标注流程，显著降低了部署开销。
• 本研究证实，个体电器负载的电源特征中包含可用于非侵入式存在检测的判别性特征。