[论文解读] Transfer Learning for Thermal Comfort Prediction in Multiple Cities

Nan Gao, Wei Shao+4 more|arXiv (Cornell University)|Apr 29, 2020

Building Energy and Comfort Optimization参考文献 73被引用 11

一句话总结

本文提出了一种基于迁移学习的多层感知机模型（TL-MLP-C*），通过利用同一气候区多个城市的传感器数据，提升在标注数据有限的建筑中热舒适度预测的性能。通过将源数据集（ASHRAE RP-884 和 Scales Project）的知识迁移至目标建筑（Medium US Office），该模型在准确率和F1分数上均达到最先进水平，证明了跨城市迁移学习在热舒适度建模中的有效性，且室外环境特征是关键贡献因素。

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.

研究动机与目标

• 解决建筑HVAC系统中自报热舒适度数据有限的问题，该问题阻碍了准确建模。
• 通过在同一气候区的多个城市之间应用迁移学习，提升数据稀缺环境下热舒适度预测的性能。
• 识别在热舒适度建模中实现有效迁移学习的最关键特征。
• 开发一种稳健、数据高效的方法，以提升智能建筑中HVAC自动化与能效。

提出的方法

• 通过使用在源数据集（ASHRAE RP-884 和 Scales Project）上预训练模型的最后隐藏层权重来初始化目标模型，实现迁移学习。
• 在目标领域（Medium US Office数据集中的Friends Center建筑）采用具有微调最终层的多层感知机（MLP）架构。
• 集成TabularGAN对热舒适度数据集中少数类进行重采样，缓解类别不平衡问题，以实现更具意义的分类。
• 选择并评估包含室内和室外环境变量（如室外温度、湿度、风速等）的特征集，以识别对迁移学习最有效的输入。
• 通过调整隐藏层数量优化模型性能，发现两层隐藏层可实现最佳准确率和F1分数。
• 在多个数据集上训练并验证TL-MLP-C*模型，与最先进方法进行性能比较。

实验结果

研究问题

• RQ1 能否通过同一气候区多个城市的迁移学习，提升在标注数据有限的目标建筑中的热舒适度预测性能？
• RQ2 在热舒适度建模的迁移学习中，哪类特征集——室内、室外或组合——能实现最高性能？
• RQ3 神经网络中隐藏层的数量如何影响迁移学习模型的预测性能？
• RQ4 热舒适度数据中的类别不平衡在多大程度上影响模型性能，以及如何有效缓解？

主要发现

• TL-MLP-C*模型在Medium US Office数据集上实现了所有对比方法中最高的准确率（54.50%）和F1分数，优于最先进方法。
• 包含室外环境特征（如室外温度、湿度、风速）显著提升了模型性能，尤其在Xc特征集中表现突出，表明其在热舒适度预测中的关键作用。
• 具有两层隐藏层的模型实现最优性能，而更深的网络由于过拟合和参数量增加导致准确率下降。
• 基于TabularGAN的重采样方法通过生成少数类的合成样本（且不超出多数类规模）有效缓解了类别不平衡问题，提升了模型泛化能力。
• 迁移学习方法即使在目标建筑标注数据有限的情况下，也能实现从源领域（ASHRAE RP-884 和 Scales Project）到目标领域的有效知识迁移。
• 本研究识别出室外气候变量是实现有效迁移学习的最关键贡献因素，强调了环境背景在热舒适度建模中的重要性。