《Sedna边云协同终身学习在楼宇冷机控制领域的应用(15页).pdf》由会员分享,可在线阅读,更多相关《Sedna边云协同终身学习在楼宇冷机控制领域的应用(15页).pdf(15页珍藏版)》请在三个皮匠报告上搜索。
1、空白演示单击输入您的封面副标题李蕴哲上海交通大学Sedna边云协同终身学习在楼宇冷机控制领域的应用边云协同终身学习在楼宇冷机控制领域的应用目录目录1 楼宇冷机舒适度预测场景2 楼宇冷机舒适度预测的落地挑战3 Sedna边云协同终身学习技术方案4 实验效果展示1 楼宇冷机舒适度预测场景1 楼宇冷机舒适度预测场景80%的时间40%的能源消耗54%来自空调冷机1 楼宇冷机舒适度预测场景1 楼宇冷机舒适度预测场景环境温度用户冷热任何机器学习算法1-3SVM、神经网络、Boosting等等1 ASHRAE(Atlanta,Georgia).ANSI/ASHRAE Standard 55-2013:The
2、rmal Environmental Conditions for Human Occupancy.2013.2 Joyce Kim et al.Personal comfort models:predicting individuals thermal preference using occupant heating and cooling behavior and machine learning.Building and Environment,129:96106,2018.3 Zimu Zheng,Yimin Dai,and Dan Wang.Duet:Towards a porta
3、ble thermal comfort model.In ACM BuildSys19,pages 5160,2019.楼宇冷机舒适度预测代表性方法示意图方法迭代图2 楼宇冷机舒适度预测的落地挑战2 楼宇冷机舒适度预测的落地挑战挑战1:数据异构不同边侧的数据分布总是不断变化挑战2:小样本出于数据安全的考量,大多数数据集都不开源同样的数据输入,在不同的边侧,标签却不相同!会议未开源开源会议未开源开源ACM e-Energy 201851ACM e-Energy 201912ACM e-Energy 202040ACM e-Energy 202120数据异构示意图学术会议开源情况统计边侧标注样本成
4、本高数据量很小3 Sedna边云协同终身学习技术方案3 Sedna边云协同终身学习技术方案边云协同终身学习定义1.给定云侧知识库中 N 个历史训练任务,推理持续到来的当前任务和未来 M 个边侧任务,并持续更新云侧知识库。2.其中,M 趋向于无穷大,同时边侧 M 个推理任务不一定在云侧知识库 N 个历史训练任务当中。边云协同终身学习流程示意图3 Sedna边云协同终身学习技术方案3 Sedna边云协同终身学习技术方案终身学习简介4经典的机器学习范式4 Chen Z,Liu B.Lifelong machine learningJ.Synthesis Lectures on Artificial
5、Intelligence and Machine Learning,2018,12(3):1-207.经典终身学习架构改进的终身学习架构3 Sedna边云协同终身学习技术方案3 Sedna边云协同终身学习技术方案基于智能楼宇元数据库BRICK5的知识库设计5 Balaji B,Bhattacharya A,Fierro G,et al.Brick:Towards a unified metadata schema for buildingsC/Proceedings of the 3rd ACM International Conference on Systems for Energy-Ef
6、ficient Built Environments.2016:41-50.任务:不同边缘节点的推理任务由一个三元组构成:-任务模型:任务推理使用的模型-任务属性:描述任务的属性-任务样本:任务训练所对应的样本知识库结构示意图3 Sedna边云协同终身学习技术方案3 Sedna边云协同终身学习技术方案知识库更新5 Balaji B,Bhattacharya A,Fierro G,et al.Brick:Towards a unified metadata schema for buildingsC/Proceedings of the 3rd ACM International Confere
7、nce on Systems for Energy-Efficient Built Environments.2016:41-50.当前推理任务与已有任务的相似性-模型相似性-知识库已有任务对应的模型是否能够拟合当前边侧的数据-属性相似性-当前边侧的属性是否在已有任务的范围内模型相似度属性相似度任务类别更新操作模型相似度属性相似度任务类别更新操作高高已知不更新低高未知模型重建高低未知属性重抽取低低未知增加新任务处理新任务的不同情况任务模型重建历史任务当前任务新模型任务属性重抽取ShenzhenShanghai历史任务属性当前任务属性Metropolis新任务属性3 Sedna边云协同终身学习技
8、术方案3 Sedna边云协同终身学习技术方案方案架构图4 实验效果展示4 实验效果展示ASHRAE Global Thermal Comfort Database II(ATCII)-包含1995年到2015年来自28个国家的99个城市的舒适度数据-经过数据质量筛选后,有60000条以上数据-为了模拟不同边侧的情况,我们设计了11次的增量实验,每次都对应一个任务数据集细节介绍4 实验效果展示4 实验效果展示-在多个城市的数据上,预测错误率都相对较低-预测的准确率平均提高了5.12%-完成增量后,平均相对错误率降低了0.21-没有遗忘历史任务:历史任务的错误率仅为0.282-未知任务表现优秀:未知任务的错误率为0.285不同城市预测错误率预测错误率随着增量次数的变化增量后原有任务性能未知任务性能总结总结-楼宇冷机舒适度预测场景存在边缘数据异构等问题-我们通过终身学习的方式,提供了一个解决方案-我们基于Sedna和Brick实现了这一解决方案-实验证明我们的方法显著降低了预测的错误率-项目开源链接:https:/ 谢谢关注谢谢关注会议演讲标题会议演讲标题