基于混合 Transformer-RNN 架构利用低分辨率智能电表数据的家庭 occupancy 检测
机器学习
2023-08-29 v1
摘要
住宅 occupancy 检测已成为当今城市化世界中各种智能家居应用（如建筑自动化、能源管理以及增强的安全性和舒适性）的赋能技术。能源系统的数字化提供了智能电表数据，可用于以非侵入方式检测 occupancy，而无需引起隐私和数据安全的担忧。特别是，深度学习技术使得从低分辨率智能电表数据推断 occupancy 成为可能，从而能够实现兼具隐私保护的准确 occupancy 检测需求。因此，我们的工作受启发于开发一种隐私感知且高效的模型，用于当代生活环境中的住宅 occupancy 检测。我们的模型旨在利用循环神经网络（RNN）善于捕捉局部时间依赖关系以及 transformer 善于处理全局时间依赖关系的优势。我们设计的混合 transformer-RNN 模型使用每小时智能电表数据检测住宅 occupancy，在具有不同特征的家庭中达到了近 92% 的准确率。我们使用公开可获取的数据集验证了方法的有效性，并通过与包括基于注意力的 occupancy 检测方法在内的最先进模型进行比较展示了其性能。
引用
@article{arxiv.2308.14114,
title = {Hybrid Transformer-RNN Architecture for Household Occupancy Detection Using Low-Resolution Smart Meter Data},
author = {Xinyu Liang and Hao Wang},
journal= {arXiv preprint arXiv:2308.14114},
year = {2023}
}
备注
IEEE IECON 2023 (The 49th Annual Conference of the IEEE Industrial Electronics Society)