ATM-SB：一种基于深度学习的智能建筑室内温度预测方法

《Future Generation Computer Systems》：ATM-SB: An Indoor Temperature Prediction Approach for Smart Buildings Based on Deep Learning

智能建筑室内温度预测研究提出融合LSTM与GRU的ATM-SB方法，通过多传感器数据实现15/30/60分钟超前预测。实验显示该模型MAE低至0.0098，R2达0.98，且在跨季节、跨场景测试中均表现优异。研究对比了SVM、XGBoost等传统模型及ANN、DNN等深度学习模型，验证了混合架构在计算效率与预测精度上的优势，适用于低功耗边缘设备的HVAC控制系统优化。

　　

Md Babul Islam|安东尼奥·盖里埃里（Antonio Guerrieri）|拉法埃莱·格拉维纳（Raffaele Gravina）|路易吉·里佐（Luigi Rizzo）|朱塞佩·斯科佩利蒂（Giuseppe Scopelliti）|文森佐·达戈斯蒂诺（Vincenzo D’Agostino）|詹卡洛·福尔蒂诺（Giancarlo Fortino）

ICAR-CNR - 意大利国家研究委员会高性能计算与网络研究所，伦德（Rende），卡塞塔诺省（CS），意大利

摘要

近年来，机器学习（ML）和深度学习（DL）已成为基于物联网（IoT）的智能建筑（SBs）中平衡能源效率与热舒适度的关键技术。在智能建筑的各个组成部分中，供暖、通风和空调（HVAC）系统起着至关重要的作用，因为它显著影响能源消耗和居住者的舒适度。在这种情况下，准确预测室内温度对于优化HVAC运行至关重要，从而提高能源效率、改善舒适度并降低能源成本。为了解决这一挑战，本文提出了一种智能建筑的先进温度管理方法（ATM-SB），该方法结合了长短期记忆网络（LSTM）和门控循环单元网络（GRU），利用多变量传感器数据预测15分钟、30分钟和60分钟间隔的室内温度。在意大利AEI公司开发了一个ATM-SB原型，并使用从智能办公楼和实验室收集的实际数据集在夏季和冬季进行了训练和验证，还在四个不同环境的公共数据集上进行了进一步测试。ATM-SB表现出竞争性的性能，并在各种真实世界和公共数据集上展示了强大的泛化能力，包括与LSTM、GRU、CNN-LSTM和梯度提升方法的比较，其平均绝对误差（MAE）低至0.0098，R2值高达0.98。通过5折交叉验证和显著性测试确认了模型的稳健性和泛化能力。通过实现多种场景下的准确预测，ATM-SB为下一代智能建筑的智能HVAC控制提供了有效的解决方案。

引言

传统上，家庭和办公室中的供暖、通风和空调（HVAC）系统是通过遥控器手动控制的。然而，这种手动方法可能导致大量能源浪费，尤其是在HVAC系统被意外开启或使用效率低下时。鉴于HVAC系统是建筑中最大的能源消耗者之一，优化其运行对于环境和经济原因都至关重要。近年来，得益于物联网（IoT）技术的发展，智能建筑（SBs）和认知建筑（CBs）已成为应对这一挑战的有效解决方案。通过利用先进的机器学习（ML）和深度学习（DL）算法，这些建筑可以自主学习居住者的偏好，并根据室内和室外条件动态调整HVAC设置。这不仅提高了居住者的舒适度，还减少了能源浪费，有助于降低二氧化碳（CO?）排放，促进可持续的生活环境。

实现智能建筑非常重要，因为大多数人大约85-90%的时间都在室内度过——无论是在家、办公室、健身中心还是学校和医院等公共场所[5]。在这些地方，为了维持舒适的室内温度，特别是在夏季和冬季，会消耗大量能源[6]。无论HVAC系统是否处于活动状态，准确预测室内温度对于创建理想的室内环境都是必不可少的。通过提供精确的温度预测，先进系统可以自动化HVAC操作，确保其在适当的时间开启和关闭，从而避免不必要的能源浪费并提高整体效率[7]。

文献中提供了多种用于预测室内温度的机器学习（ML）[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]、[32]模型，包括随机森林（RF）、支持向量机（SVM）、极端梯度提升（XGBoost）集成ML模型，以及深度学习（DL）[14]、[15]、[16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]、[32]模型，如人工神经网络（ANN）、深度神经网络（DNN）、循环神经网络（RNN）、长短期记忆（LSTM）和混合模型（如ANN + LSTM和CNN + LSTM）。

这些研究考虑了天气、占用率、湿度等智能建筑的特征来预测室内温度。此外，大多数先前的研究并未关注不同房间（例如实验室和办公室）或季节（如夏季和冬季）。而且，许多模型没有使用现有的最先进数据集进行验证。

为了克服上述限制，本文提出了一种基于深度学习的方法，利用多变量IoT传感器数据在智能建筑中预测室内温度，该方法结合了LSTM和GRU模型，即“智能建筑的先进温度管理（ATM-SB）”。首先，ATM-SB在意大利AEI公司实时收集的数据集上进行了验证[1]。此外，ATM-SB还与其他模型进行了比较，并在文献中的多个数据集上进行了测试。图1概述了我们在ATM-SB中遵循的工作流程，从传感器数据收集开始，捕获温度、湿度、占用率等参数。在数据预处理过程中，数据被清洗、转换并分为训练集、验证集和测试集。然后，模型经过训练并使用多种指标进行评估。最后，训练好的模型可以用于HVAC系统，以实现高效、以舒适度为中心的控制。

本文的主要贡献总结如下：

1. 1.
   它提出了一种基于深度学习的方法，即ATM-SB，可以通过整合多样化的实时IoT传感器数据来预测室内温度。预测结果以15分钟、30分钟和60分钟为间隔显示。
2. 2.
   它使用从意大利A.E.I.公司收集的数据集验证了ATM-SB。在研究过程中，结合了冬季和夏季的数据，使ATM-SB能够全年运行。
3. 3.
   它将ATM-SB提出的模型与各种最先进的ML和DL模型进行了比较。特别是，对ML模型如SVM、AdaBoost和XGBoost进行了比较。此外，本文还将几种DL模型与引入的模型进行了比较，如ANN、DNN、RNN、LSTM和混合模型（ANN+LSTM、CNN+LSTM和DNN+LSTM）。
4. 4.
   它通过使用K折交叉验证来研究所提模型的有效性。
5. 5.
   为了进一步验证ATM-SB的性能，我们在文献中可用的各种数据集上对其进行了测试。

ATM-SB专注于准确的室内温度预测，这对于更好的HVAC优化至关重要。虽然预测模型不直接控制HVAC系统，但它提供了未来的温度预测，可以支持高级HVAC控制器的决策制定。值得注意的是，该模型被设计为一种混合架构，使用LSTM和GRU层，足够轻量，可以在低功耗边缘设备和由低成本平台（例如NPX i.MX RT1170[2]或Raspberry Pi Zero 2 W[3]）供电的嵌入式HVAC控制器上高效运行。更复杂的架构，如Transformer、图神经网络或基于注意力的模型，需要更高的计算资源、内存和推理时间，使其在资源受限的环境中不太适合实时控制。本研究优先考虑实际影响，开发了一种温度预测引擎，可以无缝集成到基于规则或强化学习（RL）[33]、[34]、[35]的HVAC控制策略中，实现主动调整，以提高能源效率和居住者舒适度。

接下来的部分安排如下：第2节介绍了当前的最先进技术。第3节描述了ATM-SB方法及其关键组成部分。第4节通过一个真实案例研究展示了我们的结果，并使用多种指标进行了验证。第5节通过将其应用于一些公开的最先进数据集，证明了ATM-SB方法的有效性。最后，第6节总结了本文并介绍了一些未来的工作。

章节片段

最先进技术

本节描述了已经提出的用于预测智能建筑室内温度的最先进算法和方法。

在初期阶段，智能建筑的室内温度预测模型侧重于物理规则或经典统计理论，如线性回归、灰色理论、模糊算法、贝叶斯方法等[6]。例如，某论文[18]提出了一种基于可用本地数据的简单线性回归方法来预测室内温度

ATM-SB方法

本节描述了ATM-SB方法，包括其关键组成部分：问题陈述、数据预处理、方法论、评估策略和交叉验证。图2展示了该方法的工作流程概览，突出了方法的主要阶段。每个阶段在以下小节中进行了详细解释。

AEI公司的案例研究

本节将详细描述数据收集、数据预处理以及所提出的ATM-SB模型在真实场景中的应用。此外，它还将展示我们在室内温度预测方面的结果。

ATM-SB方法在其他数据集上的应用

为了证明ATM-SB方法的有效性，我们在几个公开的最先进数据集[44]、[45]、[46]上对其进行了评估

公共数据集1：中国上海 [44]

原始数据集来自中国上海的一所教育机构，包含了一系列传感器数据，包括室内温度、供暖和制冷状态、HVAC功能、占用率和门状态，记录时间从2018年1月29日到2019年3月15日。在准备数据后，

结论与未来工作

在本文中，我们提出了ATM-SB，这是一种基于数据的深度学习方法，旨在使用大量IoT传感器数据预测智能建筑（SBs）的室内温度。通过结合LSTM和GRU模型，ATM-SB方法提供了可靠的室内温度预测，可以支持未来智能建筑中的预测性HVAC控制策略。该方法在AEI公司夏季和冬季收集的数据集上进行了测试，取得了非常好的预测结果。

未引用的引用

缺少引用表8

CRediT作者贡献声明

Md Babul Islam：撰写 – 审稿与编辑、撰写 – 原稿、软件、方法论、调查、形式分析、数据管理、概念化。 安东尼奥·盖里埃里（Antonio Guerrieri）：撰写 – 审稿与编辑、撰写 – 原稿、监督、方法论、调查、资金获取、概念化。 拉法埃莱·格拉维纳（Raffaele Gravina）：撰写 – 审稿与编辑、方法论、概念化。 路易吉·里佐（Luigi Rizzo）：撰写 – 审稿与编辑、验证、软件、调查、数据管理。 朱塞佩（Giuseppe）：

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。