南洋理工大学基于深度学习与游戏化的节能方法
机器学习
2018-09-27 v2 机器学习
摘要
以智能基础设施应用形式实现的智能建筑技术，通过利用人在回路策略，在提升可持续性与能源效率方面具有巨大潜力。然而，人类对居住条件的偏好通常未知，且作为建筑控制输入的表现具有异质性。此外，建筑 occupants 通常缺乏独立动机来为智能建筑基础设施的控制做出贡献并发挥关键作用。而且，真正的人的行动及其与感知/执行平台的整合，对负责提升运营效率的决策者而言仍然未知。通过将用户交互建模为非合作参与者之间的序贯离散博弈，我们引入了一种游戏化方法，用于支持以人为中心的信息物理系统中的用户参与和整合。我们提出了一个大规模网络游戏的设计与实现，旨在通过利用尖端的物联网 (IoT) 传感器与信息物理系统感知/执行平台来提升建筑的能源效率。针对所导出的高维不平衡数据，提供了一个采用经典离散选择模型鲁棒估计的基准效用学习框架。为提升预测性能，我们通过利用深度双向循环神经网络的端到端训练扩展了该基准效用学习方案。我们将所提方法应用于来自一项社会游戏实验的高维数据，该实验旨在鼓励南洋理工大学 (NTU) 住宅楼中智能建筑居住者的节能行为。利用居住者针对照明和空调等资源的 retrieved 行动，我们由估计的效用函数模拟了该博弈。
引用
@article{arxiv.1809.05142,
title = {A Deep Learning and Gamification Approach to Energy Conservation at Nanyang Technological University},
author = {Ioannis C. Konstantakopoulos and Andrew R. Barkan and Shiying He and Tanya Veeravalli and Huihan Liu and Costas Spanos},
journal= {arXiv preprint arXiv:1809.05142},
year = {2018}
}
备注
16 double pages, shorter version submitted to Applied Energy Journal