[论文解读] Using consumer behavior data to reduce energy consumption in smart homes

Daniel Schweizer, Michael Zehnder+4 more|arXiv (Cornell University)|Jan 1, 2015

Data Mining Algorithms and Applications参考文献 13被引用 10

一句话总结

本文提出了一种基于机器学习的推荐系统，通过从真实智能家居事件数据中挖掘频繁的序列模式，自主建议节能行为，且不降低居住者的舒适度。通过定制的WSSD算法和反馈驱动的优化，该系统在实地测试中实现了10%的有用推荐率，同时显著减少了通知频率。

ABSTRACT

This paper discusses how usage patterns and preferences of inhabitants can be learned efficiently to allow smart homes to autonomously achieve energy savings. We propose a frequent sequential pattern mining algorithm suitable for real-life smart home event data. The performance of the proposed algorithm is compared to existing algorithms regarding completeness/correctness of the results, run times as well as memory consumption and elaborates on the shortcomings of the different solutions. We also present a recommender system based on the developed algorithm that provides recommendations to the users to reduce their energy consumption. The recommender system was deployed to a set of test homes. The test participants rated the impact of the recommendations on their comfort. We used this feedback to adjust the system parameters and make it more accurate during a second test phase.

研究动机与目标

• 开发一种自主系统，从真实事件数据中学习家庭能源使用模式，实现在不降低舒适度的前提下实现节能。
• 通过自动挖掘智能家居事件流中的频繁且周期性的使用模式，解决手动规则设定的局限性。
• 设计一种基于学习到的行为模式提供个性化、非侵入式节能建议的推荐系统。
• 在真实家庭环境中评估系统，并利用用户反馈优化推荐的相关性，减少用户困扰。
• 识别影响用户对节能建议接受度的关键因素，并据此优化系统。

提出的方法

• 提出了一种新型的频繁序列模式挖掘算法WSSD，专为支持通配符的智能家居事件数据优化，以处理使用模式中的微小差异。
• 对GapBIDE算法进行改进以支持通配符模式挖掘，从而能够检测相似但不完全相同的事件序列。
• 构建了一个基于挖掘出的模式生成节能建议的推荐系统，按置信度和模式长度进行优先排序。
• 通过两个阶段的实地测试，从33个家庭（共3521台设备，超过400万条事件）收集真实反馈，以优化推荐的相关性并减少噪声。
• 使用回归分析发现，置信度和模式长度显著影响用户反馈，而支持度和位置则相关性较弱。
• 在第二阶段通过移除连续10次获得负面反馈的规则、增加房间上下文信息，并应用置信度×长度系数来过滤低潜力规则，优化了系统。

实验结果

研究问题

• RQ1 能否有效挖掘智能家居事件数据中的频繁序列模式，以在无需手动规则设定的情况下建模住户的惯常行为？
• RQ2 在真实智能家居数据中，通配符模式的引入如何影响序列模式挖掘的性能和准确性？
• RQ3 哪些因素会影响用户在智能家居环境中对节能建议的接受度？
• RQ4 用户反馈在多大程度上可用于动态提升节能建议的优先级和相关性？
• RQ5 如何在推荐频率与推荐有用性之间实现优化，以维持用户舒适度？

主要发现

• 所提出的WSSD算法在运行时间和内存使用方面均优于现有算法，证明其在实时智能家居数据处理中具有更高的效率。
• 模式挖掘中的通配符并未显著提升结果，反而增加了计算成本，因此在本应用场景中不推荐使用。
• 系统在两个测试阶段均实现了10%的有用推荐率，表明其已具备部署为生产系统的坚实基础。
• 第二阶段将每户每天的推荐数量从1.43次减少至0.44次，同时保持了相同的有用性比率，显著降低了用户干扰并提升了舒适度。
• 置信度和模式长度是用户反馈的最重要预测因子，而支持度和动作位置则无统计显著性。
• 基于反馈的规则移除和上下文信息增强（如房间名称）在第二阶段显著提升了系统性能和用户参与度。