[论文解读] Design, Benchmarking and Explainability Analysis of a Game-Theoretic Framework towards Energy Efficiency in Smart Infrastructure

Ioannis C. Konstantakopoulos, H. Das+7 more|arXiv (Cornell University)|Oct 16, 2019

Building Energy and Comfort Optimization参考文献 77被引用 9

一句话总结

本文提出了一种基于博弈论、人机协同的框架，利用深度双向循环神经网络学习居住者的效用函数，并预测智能建筑中的能耗。该框架实现了高度准确的能耗预测，并通过游戏化激励机制显著降低了能耗，周末节能最高达40%，且效果具有统计显著性；同时，可解释性技术揭示了居住者决策中的行为模式。

ABSTRACT

In this paper, we propose a gamification approach as a novel framework for smart building infrastructure with the goal of motivating human occupants to reconsider personal energy usage and to have positive effects on their environment. Human interaction in the context of cyber-physical systems is a core component and consideration in the implementation of any smart building technology. Research has shown that the adoption of human-centric building services and amenities leads to improvements in the operational efficiency of these cyber-physical systems directed towards controlling building energy usage. We introduce a strategy in form of a game-theoretic framework that incorporates humans-in-the-loop modeling by creating an interface to allow building managers to interact with occupants and potentially incentivize energy efficient behavior. Prior works on game theoretic analysis typically rely on the assumption that the utility function of each individual agent is known a priori. Instead, we propose novel utility learning framework for benchmarking that employs robust estimations of occupant actions towards energy efficiency. To improve forecasting performance, we extend the utility learning scheme by leveraging deep bi-directional recurrent neural networks. Using the proposed methods on data gathered from occupant actions for resources such as room lighting, we forecast patterns of energy resource usage to demonstrate the prediction performance of the methods. The results of our study show that we can achieve a highly accurate representation of the ground truth for occupant energy resource usage. We also demonstrate the explainable nature on human decision making towards energy usage inherent in the dataset using graphical lasso and granger causality algorithms. Finally, we open source the de-identified, high-dimensional data pertaining to the energy game-theoretic framework.

研究动机与目标

• 设计一种基于游戏化的人机协同框架，通过建模居住者行为，提升智能建筑的能效。
• 解决先前博弈论模型假设效用函数已知的局限性，提出一种新颖的效用学习框架。
• 利用真实建筑数据中的深度序列模型，提升对居住者能耗模式的预测准确性。
• 通过高维传感器与行为数据上的图模型选择（graphical lasso）和格兰杰因果分析（Granger causality），提供人类能耗决策的可解释性。
• 通过真实世界社交游戏实验，在智能建筑环境中验证该框架的有效性。

提出的方法

• 设计基于博弈论的框架，将居住者行为建模为竞争环境中的策略性参与者，实现基于激励的能耗降低。
• 采用深度双向循环神经网络（Bi-LSTM）从序列化的居住者行为中学习效用函数，相比基线模型显著提升预测准确性。
• 通过一种新颖的学习方案实现稳健的效用估计，能够处理居住者行为中的不确定性及动态环境条件。
• 通过图模型选择识别决策中的条件依赖关系，通过格兰杰因果分析检测能耗模式中的时间因果关系，实现可解释性。
• 整合来自物联网传感器（如照明使用情况）的实时数据，并使用分桶处理、去标识化的数据用于工作日与周末的基准对比。
• 通过网络门户与数据管道部署系统，实现建筑管理人员与居住者之间通过游戏化激励的实时互动。

实验结果

研究问题

• RQ1 基于博弈论且结合人机协同建模的框架能否有效降低智能建筑中居住者的能耗？
• RQ2 与传统模型相比，深度双向循环网络在预测居住者能耗模式方面准确度如何？
• RQ3 能否通过真实建筑数据上的图模型选择与格兰杰因果分析，提取并解释能耗中的行为模式？
• RQ4 游戏化激励在多大程度上导致了能耗的统计显著性降低，特别是在周末等不同时间段？
• RQ5 在真实部署中常见的数据缺失或传感器掉线条件下，所提出的效用学习框架表现如何？

主要发现

• 深度序列效用学习框架在预测居住者能耗方面显著优于所有基线模型，大幅降低了预测误差。
• 在游戏化期间，日均照明能耗平均降低了30%，周末峰值降幅达40%。
• 使用变化的两样本t检验p值具有统计显著性，证实观察到的降低并非随机波动所致。
• 图模型选择与格兰杰因果分析成功揭示了居住者决策中的潜在模式，如对天气和一天中时间因素的因果依赖。
• 该框架在复杂、序列化且高维的数据下，仍能准确建模居住者画像并预测其行为。
• 尽管性能表现优异，研究仍指出深度学习模型对缺失数据较为敏感，凸显了其在真实部署中的关键局限性。