論文の概要: Optimizing Indoor Environmental Quality in Smart Buildings Using Deep Learning
- arxiv url: http://arxiv.org/abs/2509.26187v1
- Date: Tue, 30 Sep 2025 12:42:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-01 17:09:04.541292
- Title: Optimizing Indoor Environmental Quality in Smart Buildings Using Deep Learning
- Title（参考訳）: ディープラーニングを用いたスマートビルにおける室内環境の最適化
- Authors: Youssef Sabiri, Walid Houmaidi, Aaya Bougrine, Salmane El Mansour Billah,
- Abstract要約: 本稿では,IEQパラメータ,特にCO2濃度,温度,湿度を積極的に管理する深層学習型手法を提案する。
我々は,Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), and a hybrid Convolutional Neural Network LSTM (CNN-LSTM) の3つのアーキテクチャをベンチマークした。
以上の結果から,GRUは計算オーバーヘッドを低く抑えるとともに,CNN-LSTMは拡張予測ウィンドウの主機能抽出に優れることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensuring optimal Indoor Environmental Quality (IEQ) is vital for occupant health and productivity, yet it often comes at a high energy cost in conventional Heating, Ventilation, and Air Conditioning (HVAC) systems. This paper proposes a deep learning driven approach to proactively manage IEQ parameters specifically CO2 concentration, temperature, and humidity while balancing building energy efficiency. Leveraging the ROBOD dataset collected from a net-zero energy academic building, we benchmark three architectures--Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), and a hybrid Convolutional Neural Network LSTM (CNN-LSTM)--to forecast IEQ variables across various time horizons. Our results show that GRU achieves the best short-term prediction accuracy with lower computational overhead, whereas CNN-LSTM excels in extracting dominant features for extended forecasting windows. Meanwhile, LSTM offers robust long-range temporal modeling. The comparative analysis highlights that prediction reliability depends on data resolution, sensor placement, and fluctuating occupancy conditions. These findings provide actionable insights for intelligent Building Management Systems (BMS) to implement predictive HVAC control, thereby reducing energy consumption and enhancing occupant comfort in real-world building operations.
- Abstract（参考訳）: 最適な室内環境品質(IEQ)の確保は、健康と生産性の確保に不可欠であるが、従来の暖房、換気、空調(HVAC)システムでは高いエネルギーコストがかかることが多い。
本稿では,建設エネルギー効率のバランスを保ちつつ,特にCO2濃度,温度,湿度のIEQパラメータを積極的に管理する深層学習型手法を提案する。
ネットワークゼロのエネルギ学術ビルディングから収集したROBODデータセットを活用し、Long Short-Term Memory(LSTM)、Gated Recurrent Units(GRU)、ハイブリッド畳み込みニューラルネットワークLSTM(CNN-LSTM)の3つのアーキテクチャをベンチマークし、様々な時間軸にわたってIEQ変数を予測する。
以上の結果から,GRUは計算オーバーヘッドを低く抑えるとともに,CNN-LSTMは拡張予測ウィンドウの主機能抽出に優れることがわかった。
一方、LSTMは堅牢な長距離時間モデリングを提供する。
比較分析は、予測信頼性がデータの解像度、センサー配置、および変動する占有条件に依存することを強調している。
これらの知見は, 知的ビル管理システム(BMS)が予測的HVAC制御を実装し, エネルギー消費を低減し, 実世界の建物の快適さを高めるための有効な知見を提供する。
関連論文リスト
- Energy efficiency analysis of Spiking Neural Networks for space applications [43.91307921405309]
スパイキングニューラルネットワーク(SNN)は理論的に優れたエネルギー効率のために非常に魅力的である。
本研究では,EuroSATデータセットのシーン分類に応用したSNN手法の数値解析と比較を行う。
論文 参考訳（メタデータ） (2025-05-16T16:29:50Z) - Climate Aware Deep Neural Networks (CADNN) for Wind Power Simulation [0.7783262415147654]
風力発電予測は現代のエネルギーシステムにおいて重要な役割を担い、再生可能エネルギー源の電力網への統合を促進する。
本稿では,風力シミュレーションの精度を向上させるために,気候変数を利用したディープニューラルネットワーク(DNN)に基づく予測モデルを提案する。
論文 参考訳（メタデータ） (2024-12-11T14:22:52Z) - Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。
CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文 参考訳（メタデータ） (2024-10-19T03:38:53Z) - Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳（メタデータ） (2024-07-23T13:26:05Z) - Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。
エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。
本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
論文 参考訳（メタデータ） (2023-10-31T14:09:32Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - Smart Home Energy Management: VAE-GAN synthetic dataset generator and
Q-learning [15.995891934245334]
本稿では,スマートホームにおけるエネルギー消費に関する時系列データを生成するための,変分自動エンコーダ生成対向ネットワーク(VAE-GAN)手法を提案する。
実世界のスマートホームデータを用いて,Qラーニングに基づくHEMSのオンラインパフォーマンスを検証した。
論文 参考訳（メタデータ） (2023-05-14T22:22:16Z) - Predicting the performance of hybrid ventilation in buildings using a
multivariate attention-based biLSTM Encoder-Decoder neural network [0.0]
本稿では,窓の開閉時の室内空気温度を予測するディープニューラルネットワーク(DNN)の機能について検討する。
その結果,DNNは窓の開閉時に5つのゾーンの室内空気温度を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-02-08T15:24:17Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。