相関型二段階学習に基づく異なる季節データを用いた室温分布推定

• Item type: Journal(1)
• 公開日: 2022-08-15
• タイトル: 相関型二段階学習に基づく異なる季節データを用いた室温分布推定
• タイトル / 言語: en
• タイトル: Estimating Multi-points Indoor Temperature from Different Season Data Based on Correlation-based Two-step Learning
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文（推薦論文）] 施設管理，Fine-tuning，One-shot学習
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/00218989
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 日本電信電話株式会社NTTスマートデータサイエンスセンタ
• 著者所属: 日本電信電話株式会社NTTスマートデータサイエンスセンタ
• 著者所属: 日本電信電話株式会社NTTスマートデータサイエンスセンタ
• 著者所属: 日本電信電話株式会社NTTスマートデータサイエンスセンタ
• 著者所属: 日本電信電話株式会社NTTスマートデータサイエンスセンタ
• 著者所属(英): en
• 著者所属(英): NTT Smart Data Science Center, Nippon Telegraph and Telephone Corporation
• 著者所属(英): en
• 著者所属(英): NTT Smart Data Science Center, Nippon Telegraph and Telephone Corporation
• 著者所属(英): en
• 著者所属(英): NTT Smart Data Science Center, Nippon Telegraph and Telephone Corporation
• 著者所属(英): en
• 著者所属(英): NTT Smart Data Science Center, Nippon Telegraph and Telephone Corporation
• 著者所属(英): en
• 著者所属(英): NTT Smart Data Science Center, Nippon Telegraph and Telephone Corporation
• 著者名: 角田, 啓介; 前島, 綜太朗; 児玉, 翠; 荒井, 直樹; 尾花, 和昭
• 著者名(英): Keisuke, Tsunoda; Soutaro, Maejima; Midori, Kodama; Naoki, Arai; Kazuaki, Obana
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本稿では，空調運転最適化による室内環境改善と消費エネルギー量削減を目指し，十数メートル四方からなる広い屋内空間における室温分布の推定を目的とする．そして推定に向けたデータ計測コスト削減のため，ある季節における室温分布データを，異なる季節に長期間，同一季節に短期間計測した学習データを基に推定する方法について述べる．従来，本稿のように推定対象と同一条件下で計測した学習データが少ない場合，異なる条件下において計測した大量のデータを用いて機械学習モデルを作成後，少数の同条件下におけるデータを用いてモデルの一部を再学習するFine-tuningや，モデルに新たなパラメータを加えたうえで追加部分を再学習する転移学習が用いられてきており，これらの手法における学習時の損失には最小二乗誤差や対数尤度といった正解値と推定値の一致度が用いられてきた．しかし，室温分布とそれを推定するために用いる空調システムで計測した温度のような，2つの条件下における説明変数と被説明変数の関係が，相関関係が類似していてもその大小関係が大きく異なる場合，従来手法では高精度な推定が困難であった．本稿では従来手法の課題を解決するため，異なる条件下における多数データを用いた学習における損失関数に相関関係を用いることで，相関関係を利用して同一条件下での少量データからの高精度な推定を実現する相関型二段階学習手法を提案する．提案手法を，あるビル内で実測した室温データにおける，異なる季節データを用いた推定に適用することで，その有効性を示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: This paper presents a method to estimate multi-point temperature in a large-scale indoor space on the basis of indoor temperature and Heating, Ventilation, and Air-Conditioning (HVAC) temperature measured for one day in the same season and data measured for a longer period in a different season. Existing studies have tried to learn an estimation or prediction model from such learning data on the basis of fine-tuning or transfer learning in which the loss function is calculated from differences such as mean squared error or accuracy between measured and estimated data. However, it is difficult for existing methods to estimate on the basis of data from a different season because the difference between indoor temperature and HVAC temperature depends on the season. In this paper, we focus on not the difference but the correlation between indoor temperature and HVAC temperature, which does not depend on seasons. We propose correlation-based two-step learning in which the loss function is calculated from the correlation between indoor temperature and HVAC temperature at the first learning. We evaluate the effectiveness of our proposal using measured indoor temperature and HVAC temperature data in a real building.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 63, 号 8, p. 1388-1396, 発行日 2022-08-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764