[论文解读] A Deep Learning and Gamification Approach to Energy Conservation at Nanyang Technological University

Ioannis C. Konstantakopoulos, Andrew R. Barkan+4 more|arXiv (Cornell University)|Sep 13, 2018

Smart Grid Energy Management参考文献 53被引用 5

一句话总结

本文提出了一种深度学习与游戏化相结合的框架，通过将住户建模为序列离散选择博弈中的非合作参与者，以增强智能建筑中的节能效果。通过利用双向LSTM网络从高维、不平衡的物联网传感器与行为数据中学习效用函数，该方法显著提高了预测节能行为的预测准确性，在南洋理工大学的真实社会游戏实验中优于经典模型。

ABSTRACT

The implementation of smart building technology in the form of smart infrastructure applications has great potential to improve sustainability and energy efficiency by leveraging humans-in-the-loop strategy. However, human preference in regard to living conditions is usually unknown and heterogeneous in its manifestation as control inputs to a building. Furthermore, the occupants of a building typically lack the independent motivation necessary to contribute to and play a key role in the control of smart building infrastructure. Moreover, true human actions and their integration with sensing/actuation platforms remains unknown to the decision maker tasked with improving operational efficiency. By modeling user interaction as a sequential discrete game between non-cooperative players, we introduce a gamification approach for supporting user engagement and integration in a human-centric cyber-physical system. We propose the design and implementation of a large-scale network game with the goal of improving the energy efficiency of a building through the utilization of cutting-edge Internet of Things (IoT) sensors and cyber-physical systems sensing/actuation platforms. A benchmark utility learning framework that employs robust estimations for classical discrete choice models provided for the derived high dimensional imbalanced data. To improve forecasting performance, we extend the benchmark utility learning scheme by leveraging Deep Learning end-to-end training with Deep bi-directional Recurrent Neural Networks. We apply the proposed methods to high dimensional data from a social game experiment designed to encourage energy efficient behavior among smart building occupants in Nanyang Technological University (NTU) residential housing. Using occupant-retrieved actions for resources such as lighting and A/C, we simulate the game defined by the estimated utility functions.

研究动机与目标

• 解决尽管具备智能建筑技术，住户参与节能的积极性仍然较低的挑战。
• 将建筑资源使用中的人类决策行为建模为非合作参与者的序列离散选择博弈。
• 从真实世界的行为与传感器数据中估计个性化效用函数，其中效用事先未知。
• 利用高维、不平衡数据上的深度学习，提高住户节能行为预测的准确性。
• 开发可扩展的开源基础设施与数据集，以支持未来以人为中心的网络物理系统研究。

提出的方法

• 将住户行为建模为非合作参与者之间的序列离散选择博弈，假设效用函数为随机。
• 通过稳健估计经典离散选择模型（如多项对数模型、混合对数模型）应用逆强化学习，处理高维、不平衡的物联网数据。
• 提出一种新颖的深度序列分类器，采用双向循环神经网络与LSTM单元，从时间序列行为中端到端学习效用函数。
• 采用基准效用学习流程，将深度学习模型与经典模型在真实住户行为数据上进行对比。
• 设计并部署大规模社会游戏，结合激励机制与网页门户交互，以收集实时住户行为与偏好。
• 开发演示网页门户，并发布去标识化、高分辨率（1分钟）的数据集，供研究公开使用。

实验结果

研究问题

• RQ1 当效用函数未知且异质时，如何准确预测住户节能行为？
• RQ2 在建模智能建筑中序列人类决策时，深度学习相较于经典离散选择模型在预测性能上提升的幅度有多大？
• RQ3 游戏化框架能否在真实住宅环境中有效激励住户减少能源消耗？
• RQ4 外部因素（如天气与实时反馈）如何影响住户在能源使用中的决策？
• RQ5 住户行为的时间依赖性对效用函数估计有何影响？

主要发现

• 所提出的深度序列效用学习模型在预测住户行为方面优于所有经典基准模型，显著降低了预测误差。
• 深度学习框架在预测准确性方面实现了显著提升，尤其在捕捉住户行为中的复杂时间依赖性方面表现突出。
• 游戏化界面成功提升了住户参与度，在社会游戏实验期间观察到照明与暖通空调（HVAC）使用量明显下降。
• 研究表明，可利用深度学习从真实世界中高维且不平衡的物联网数据中可靠估计效用函数。
• NTU实验中去标识化的数据集为未来离散选择建模与需求响应应用的研究提供了宝贵基准。
• 问卷调查响应的Cronbach’s alpha值在0.75至0.82之间，表明所收集的行为与偏好数据具有可接受的内部一致性。