[论文解读] Towards the Detection of Building Occupancy with Synthetic Environmental Data

Manuel Weber, Christoph Doblander+1 more|arXiv (Cornell University)|Oct 8, 2020

Building Energy and Comfort Optimization参考文献 9被引用 6

一句话总结

本文提出了一种迁移学习方法，利用建筑仿真生成的合成CO2动态数据，以减少深度学习模型在真实世界人员占用数据上的依赖。通过在400天的模拟CO2数据上预训练卷积神经网络，并在最少的真实数据（最少仅一天）上微调，该方法在显著减少训练轮次的情况下实现了更高的准确率和F1分数，证明了从合成数据到真实世界人员检测任务的有效知识迁移。

ABSTRACT

Information about room-level occupancy is crucial to many building-related tasks, such as building automation or energy performance simulation. Current occupancy detection literature focuses on data-driven methods, but is mostly based on small case studies with few rooms. The necessity to collect room-specific data for each room of interest impedes applicability of machine learning, especially data-intensive deep learning approaches, in practice. To derive accurate predictions from less data, we suggest knowledge transfer from synthetic data. In this paper, we conduct an experiment with data from a CO$_2$ sensor in an office room, and additional synthetic data obtained from a simulation. Our contribution includes (a) a simulation method for CO$_2$ dynamics under randomized occupant behavior, (b) a proof of concept for knowledge transfer from simulated CO$_2$ data, and (c) an outline of future research implications. From our results, we can conclude that the transfer approach can effectively reduce the required amount of data for model training.

研究动机与目标

• 为解决在建筑自动化中训练深度学习模型时真实世界人员数据有限的挑战。
• 探究来自物理仿真的合成环境数据是否能有效将知识迁移至真实世界人员检测任务。
• 通过利用基于模拟数据的预训练模型，减轻针对特定房间的人员建模数据收集负担。
• 评估使用合成CO2数据进行迁移学习与使用真实数据进行传统训练的性能对比。
• 探索基于仿真的数据在建筑能效与自动化系统中实现数据高效深度学习的可行性。

提出的方法

• 开发了两阶段仿真流程：首先模拟人员存在与行为，然后使用质量平衡方程模拟CO2浓度动态变化。
• 为400个虚拟办公室日生成了合成CO2数据，其中人员行为随机化，且包含各房间的特定参数（如体积和渗透率）。
• 使用基础深度学习模型（卷积神经网络）在合成CO2数据上进行预训练，以学习与人员相关的通用模式。
• 通过使用预训练权重初始化目标模型，并在单间办公室的真实CO2传感器数据上进行微调，应用迁移学习。
• 使用RMSprop优化器，固定初始学习率为0.001，批量大小为70，并在连续20轮无改进后停止训练。
• 性能通过准确率和F1分数进行评估，采用10折交叉验证，使用不同子集的真实数据（1、2、3或4天）进行训练。

实验结果

研究问题

• RQ1 能否通过物理仿真生成的合成CO2数据有效提升真实世界数据上人员检测模型的性能？
• RQ2 从合成数据进行迁移学习在多大程度上减少了人员检测任务对真实世界训练数据的需求？
• RQ3 当在有限真实数据上训练时，迁移学习模型与非迁移学习模型的性能相比如何？
• RQ4 从合成数据迁移的知识是否能通过性能指标方差的降低来体现模型鲁棒性的提升？
• RQ5 在未经过大量微调的情况下，基于合成数据预训练的模型是否具备足够的泛化能力，以在真实世界测试数据上实现高准确率？

主要发现

• 仅使用两天真实数据训练时，迁移学习模型的测试准确率达到0.920，与使用四天真实数据训练的非迁移模型（准确率为0.910）相当。
• 仅使用一天真实数据时，迁移模型准确率达到0.870，而使用两天真实数据的非迁移模型准确率为0.860。
• 当使用两天真实数据训练时，迁移模型的F1分数（0.866 ± 0.038）高于非迁移模型（0.829 ± 0.056）。
• 与非迁移模型在一天真实数据上训练时平均需91.3轮相比，迁移模型仅需平均不到30轮训练轮次。
• 迁移模型的性能指标标准差降低，表明在不同数据划分下具有更高的鲁棒性。
• 预训练的基础模型在100天模拟测试数据上达到0.981的准确率和0.963的F1分数，但在未微调的真实数据上表现较差，证实了迁移步骤的必要性。