《Energy and Buildings》：Adapting building stock archetype methodology for greenhouse stock characterisation
编辑推荐：
非侵入式占用检测框架通过多传感器融合与时空自适应模型迁移，解决数据稀缺和泛化问题，动态选择最优模型提升检测精度至85%，验证了NFL定理在环境感知中的适用性。
作者：Ji Youngmin | Kwon Dongwoo | Ji Geonwoo | Kim Daehee | Pack Sangheon
韩国首尔韩国大学电气工程学院，邮编02841
摘要
在智能建筑中，占用检测对于优化能源管理和提升居住者舒适度至关重要。然而，现有的方法存在隐私问题，并且难以在不同空间中通用。本研究提出了一种无监督的时空自适应模型迁移框架，用于实现非侵入式的占用检测。通过利用建筑自动化系统中的现有环境传感器，我们的方法无需目标空间的标记数据即可确保隐私性、成本效益和可部署性。利用基于长短期记忆（LSTM）的时空特征签名和时空相似性匹配技术，该框架能够动态选择在给定环境下最有效的模型。此外，通过多模态传感器融合（结合二氧化碳（CO2、温度、湿度和光照传感器），该方法还能缓解CO2传感器的响应延迟问题。在假设二进制占用检测和10分钟聚合窗口的情况下，我们的多模态融合方法在五个办公室和三个实验期间的表现均优于单一传感器方案。与15种算法的广泛基准测试表明，模型的占用检测性能依赖于时空背景，这与占用检测中的“无免费午餐定理”（no-free-lunch theorem）一致。所提出框架的准确率为85%，超过了前四种基线方法（平均79%）和简单统计方法（81%），并接近完全监督情况下的上限（89%）。总体而言，该框架提供了一种可扩展的、无需标记数据的解决方案，其性能接近监督模型的水平，同时仍具有实际可行性。
引言
智能建筑作为可持续发展的支柱日益受到重视，其中能源效率和居住者福祉是核心关注点。在这些建筑中，占用检测通过实现供暖、通风和空调（HVAC）系统、照明及其他建筑服务的智能控制发挥着关键作用。准确的占用检测至关重要，因为它可以减少能源浪费，并通过确保资源在需要的时间和地点得到使用来提升居住者的舒适度 [1]，[2]。
占用检测的研究主要分为三个领域：基于视觉的方法、非侵入式环境感知和基于融合的方法。基于视觉的方法利用相机系统和深度学习实现高精度的占用计数和活动识别 [3]，[4]，[5]，并且有可能集成到数字孪生系统中 [6]。然而，这些方法的广泛应用受到隐私问题、高计算成本以及多摄像头校准复杂性的严重限制 [7]，[8]。
非侵入式环境感知作为一种可行的替代方案，有望克服隐私和可扩展性挑战。研究人员重新利用了现有的建筑传感器——二氧化碳（CO2、温度、湿度和声学传感器——进行占用监测 [9]，[10]。尽管二氧化碳浓度是人体新陈代谢的可靠指标，但其响应速度较慢，限制了其实时应用 [11]。相比之下，其他环境变量响应迅速，但缺乏单独的鲁棒性。因此，研究人员开发了具有增强稳定性的融合传感器。最近，运动传感器、智能电表和强化学习的集成实现了高精度和显著的HVAC节能效果 [9]，[12]，[13]，[14]。
尽管取得了这些进展，许多环境感知模型仍然具有特定环境依赖性，难以在不同建筑、区域或季节之间通用。这种局限性符合“无免费午餐定理”（NFL）的挑战 [15]，即没有一种模型能在所有空间或时间背景下都表现出最优性能。
领域差异显著阻碍了占用检测和活动识别模型在现实智能建筑中的实际应用。这种现象源于数据分布的根本差异，这些差异由结构变量（如建筑布局和传感器配置）和动态情境因素（包括太阳辐射、变化的HVAC调度和不断变化的居住者行为）共同引起。这些变量引入了显著噪声，降低了模型在未观察环境中的鲁棒性和通用性 [11]，[16]。
在最近的研究中，通过迁移学习（TL）和领域适应（DA）[17]，[18]，[19] 对这些差异进行了应对。然而，数据稀缺仍然是一个持续存在的问题，在新的目标领域收集真实标签的成本高昂且劳动密集 [20]，[21]，[22]。无监督迁移学习有助于降低手动重新训练的试错成本，这对于在异构建筑环境中实现可扩展、鲁棒和成本效益高的部署至关重要。
在这种情况下，我们提出了一种无监督的时空自适应模型迁移框架，旨在无需完全监督的重新训练即可快速部署在异构环境中。该框架通过重新分析目标环境的空间背景来动态识别最优的模型参数组合。该框架的核心是基于LSTM的时空特征签名（LSTM-STFS）模块，它能够捕捉细微的环境模式，以及时空相似性匹配（STSM）机制，用于确定最适合知识迁移的预训练参考领域。
关键的是，该框架随时间进行定期模型迁移，确保了模型对连续环境变化的鲁棒性能和适应性，例如季节性变化或居住者行为的变化。通过最小化数据依赖性和保护隐私，该框架在多样化的建筑条件下提供了稳定的占用检测性能，从而提高了运营效率并推动了智能建筑服务的能源优化。
本研究的贡献总结如下：
•无监督时空迁移框架：我们提出了一种无监督框架，可实现从源空间到未标记目标空间的自动模型迁移。通过引入LSTM-STFS和STSM机制，该框架能够在不同建筑和季节之间有效应对领域差异，而无需目标环境中的真实标签。
•与占用检测中的“无免费午餐定理”一致的实证证据：通过对15种算法在多种办公环境中的广泛基准测试，我们提供了与该定理一致的实证证据。这一分析证明了静态模型无法泛化到变化的空间和时间背景，从而确立了动态领域适应在环境感知中的理论和实际必要性。
•通过多参数传感器融合实现鲁棒的特征工程：为了提高迁移学习的鲁棒性，我们实施了多参数融合策略（例如二氧化碳、光照、露点和温度），以减轻二氧化碳传感器的固有响应延迟。这种方法论集成提高了检测的响应速度和准确性，克服了单一传感器非侵入式环境感知的固有局限性。
•实现具有竞争性能水平的可扩展实际部署：我们通过实际验证证明了无监督领域适应方法的可扩展性。我们的方法自主实现了85%的准确率，接近完全监督情况下的上限（89%）。这一结果证明，在异构智能建筑中，无需手动调整或标记数据即可实现鲁棒且保护隐私的占用检测。
本文的其余部分组织如下：第2节回顾了使用环境传感器数据的基于机器学习的占用检测的先前研究。第3节详细介绍了所提出的无监督时空自适应模型迁移框架，描述了占用分类模型的训练过程和基于特征提取的推理方法。第4节介绍了实验设置和数据集，报告了整体性能，并在新目标环境中进行了详细分析。第5节讨论了所提出框架的局限性，并评估了在实现高检测精度和确保经济可行性之间的平衡。最后，第6节提出了结论性意见。
相关研究
相关工作
本节全面评估了各种静态占用检测模型的性能和特点，并详细介绍了最近向自适应迁移学习范式的转变。为了明确我们提出框架的定位，所回顾的研究被分为线性模型、基于树的集成模型、非参数方法、概率模型、神经网络、马尔可夫模型和序列模型以及传感器融合方法。
通过分析这些
无监督时空自适应模型迁移框架
在本节中，我们详细描述了所提出的无监督时空自适应模型迁移框架，该框架旨在动态感知室内建筑环境中的时间和空间变化。该框架从动态环境特征中学习，从而不断提高其性能，实现更有效和适应性的占用分类，以适应动态的时空条件。图1展示了整体框架
结果
无监督时空自适应模型迁移框架在非侵入式占用检测中的研究依赖于可靠的数据集，这些数据集能够捕捉环境变化和经过验证的真实占用情况。为了创建这样的数据集，我们精心设计了一个收集过程，同时考虑了隐私和伦理问题，以复制真实的办公环境。
随后，我们对15种算法和6个参数进行了全面分析
讨论
在本研究中，1D空间签名是使用10维传感器套件生成的，充分利用了实验设置中的高分辨率数据。然而，所提出的框架设计为能够灵活适应无法获取如此大量10维数据的环境。在这种情况下，可以使用环境数据的可用维度合成空间签名。模型迁移过程必须重新校准和训练模型参数
结论
本研究提出了一种用于非侵入式占用检测的无监督时空自适应模型迁移框架。通过集成LSTM-STFS和STSM驱动的迁移机制，该框架无需目标领域标签即可动态选择最优算法。该框架在多种办公环境中进行了广泛基准测试，证明了多传感器融合能够持续提高检测可靠性。我们的研究进一步巩固了“无免费午餐定理”（NFL）的原则
CRediT作者贡献声明
Ji Youngmin：撰写 – 原始草稿、可视化、验证、软件、资源、方法论、调查、资金获取、形式分析、数据整理、概念化。
Kwon Dongwoo：验证、软件、数据整理。
Ji Geonwoo：撰写 – 审稿与编辑、调查、形式分析、概念化。
Kim Daehee：撰写 – 审稿与编辑、验证、方法论。
Pack Sangheon：撰写 – 审稿与编辑、验证、监督、方法论。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
