XAI：一种通用的可解释方法模型，用于智能建筑中的能源预测

《IEEE Women in Engineering Magazine》：XAI: A generic explainable approach model for energy forecasting in Smart Buildings

　　

摘要：

随着对节能建筑需求的增加，准确预测和控制智能建筑中的能源消耗已成为一个关键挑战。然而，许多研究通过应用人工智能模型来解决这一问题，但并未向用户提供透明且可解释的预测结果。为应对这一挑战，可解释人工智能（Explainable Artificial Intelligence, XAI）提供了必要的工具，以提高这些预测模型的可解释性。本研究结合了机器学习和可解释人工智能（XAI），采用了一种可解释的方法来研究各种能源相关因素对智能建筑环境中能源消耗的影响。我们使用了从美国弗吉尼亚州的一座智能建筑中收集的三个数据集：照明、暖通空调（HVAC）和电力消耗（PPLs）。我们采用了多种机器学习模型来预测电力使用情况，并使用了三种不同的XAI技术（SHapley Additive Explanations、Local-Interpretable Model-agnostic Explanations技术和Explain Like I am 5工具）从全局和局部角度解释模型输出。研究结果表明，所提出的可解释方法提高了模型的可解释性，并有助于选择性能良好的预测模型。可解释人工智能技术（包括SHAP、LIME和ELI5）在局部和全局层面提供的解释结果与探索性数据分析中观察到的结果一致。尽管本研究关注的是能源消耗数据，但所提出的方法也可以扩展到其他数据驱动的智慧城市应用中，例如智能交通系统。