Optimierte Umweltvorhersage in intelligenten Gebäuden mittels Dynamic Greylag Goose-Algorithmus und Deep Learning

Intelligentere Gebäude für alltäglichen Komfort

Stellen Sie sich vor, Sie leben oder arbeiten in einem Gebäude, das sich leise selbst reguliert — die Luft frisch hält, die Temperatur angenehm und die Beleuchtung passend einstellt — ohne Energie zu verschwenden. Da immer mehr Gebäude mit internetfähigen Sensoren ausgestattet werden, sammeln sie riesige Mengen an Daten über Innenraumzustände. Diese Arbeit untersucht, wie sich diese Datenflut in genaue Vorhersagen darüber verwandeln lässt, wie sich die Innenumgebung in den nächsten Minuten oder Stunden entwickeln wird, damit Heiz-, Kühl-, Licht- und Lüftungssysteme vorausgehender handeln können, statt zu spät zu reagieren.

Warum Innenraumzustände schwer vorherzusagen sind

Moderne intelligente Gebäude nutzen zahlreiche Sensoren, um rund um die Uhr Temperatur, Feuchtigkeit, Licht, Luftqualität und Lärm zu erfassen. Diese Signale verändern sich im Zeitverlauf auf komplexe Weise: Morgende unterscheiden sich von Abenden, Wochentage von Wochenenden, und plötzliche Ereignisse — etwa das Öffnen eines Fensters oder das Betreten eines Raums durch eine Gruppe — können scharfe Sprünge verursachen. Da es so viele Sensoren gibt, sind die Daten hochdimensional und oft verrauscht. Einfache Modelle tun sich schwer, diese Muster zu erfassen, was zu ungenauen Vorhersagen und ineffizienter Regelung von Heizungs-, Lüftungs- und Klimaanlagen führt. Die Herausforderung besteht darin, diese komplexen Daten zu filtern, nur die informativsten Signale zu behalten und deren zeitliche Entwicklung zu lernen.

Ein lernendes System inspiriert von Vogelschwärmen

Die Autoren schlagen ein intelligentes Vorhersagesystem vor, das zwei Ideen kombiniert: ein Deep-Learning-Modell namens Long Short-Term Memory (LSTM) und einen von der Natur inspirierten Optimierer, der das Verhalten von Graugänsen nachbildet. LSTM-Netzwerke sind besonders gut im Lernen aus Sequenzen und eignen sich daher gut für zeitgestempelte Sensordaten. Der Dynamic Greylag Goose Optimization (DGGO)-Algorithmus imitiert, wie Schwärme weite Bereiche erkunden und sich allmählich auf günstige Routen zubewegen. Im Rahmen des Systems erkunden virtuelle „Gänse“ verschiedene Entscheidungen darüber, welche Sensormerkmale beibehalten und wie die internen Einstellungen des LSTM gesetzt werden sollen. Im Laufe der Zeit verlagert sich ihr Suchverhalten von breiter Erkundung zu fein abgestimmter Anpassung, was dem System hilft, nicht in schlechten Lösungen stecken zu bleiben.

Die richtigen Signale auswählen und das Modell feinjustieren

Ein zentraler Schritt ist die Merkmalsauswahl — die Entscheidung, welche Sensordaten tatsächlich zur Vorhersage beitragen. Die Forschenden wandeln jede mögliche Teilmenge von Merkmalen in ein einfaches An-oder-Aus-Muster um und lassen eine binäre Version des DGGO diese Muster durchsuchen. Dabei neigt der Algorithmus dazu, Kombinationen auszuwählen, die sowohl das Niveau als auch den jüngsten Trend von Innenraumvariablen zusammenfassen, sowie deren Wechselbeziehungen — etwa das Verhältnis von Temperatur zu Feuchtigkeit oder gleitende Durchschnitte, die momentane Ausschläge glätten. Nach diesem Rückschnitt wird DGGO erneut eingesetzt, um die Struktur und Trainingsparameter des LSTM zu optimieren, etwa wie viele Einheiten in jeder Schicht verwendet werden und wie schnell das Modell lernen soll. Diese zweistufige Optimierung zielt darauf ab, ein kompaktes, schnelles und genaues Modell zu erzeugen, das auf die Daten des jeweiligen Gebäudes zugeschnitten ist.

Wie gut das System funktioniert

Das Team testete seinen Ansatz an einem öffentlichen Datensatz, der aus einem intelligenten Gebäude mit Sensoren für Temperatur, Feuchtigkeit, Licht, Luftqualität und Geräusch stammte. Sie verglichen ihr DGGO-abgestimmtes LSTM-Modell mit mehreren Alternativen, darunter andere Optimierungsmethoden, die Wölfe, Wale oder eine einfachere Gänse-Strategie nachahmen. Die DGGO-LSTM-Kombination erzielte den geringsten Vorhersagefehler und die höchste Effizienzbewertung unter allen getesteten Konfigurationen. Sie verringerte die Hauptfehlergröße um etwa 17–37 Prozent im Vergleich zu den nächstbesten Methoden und lief etwa 42 Prozent schneller als einer der konkurrierenden Optimierer. Überprüfungen wie wiederholte Trainings-Test-Aufteilungen, Analysen der Unterschiede zwischen Trainings- und Validierungsleistung und Tests an einem völlig anderen industriellen IoT-Datensatz deuten darauf hin, dass die Verbesserungen echt sind und nicht nur auf ein Überanpassen an einen bestimmten Fall zurückzuführen sind.

Was das für den Alltag bedeutet

Für Nicht-Fachleute ist die Botschaft klar: Durch sorgfältige Auswahl relevanter Sensormessungen und den Einsatz einer von Vogelschwärmen inspirierten Optimierungsstrategie zur Feinabstimmung eines Deep-Learning-Modells können Gebäude lernen, „in die nahe Zukunft“ ihrer Innenumgebung zu blicken. Das ermöglicht es Regelungsystemen, Heizung, Kühlung und Lüftung anzupassen, bevor die Bedingungen aus dem Komfortbereich abweichen, und dabei unnötigen Energieverbrauch zu vermeiden. Das Ergebnis ist ein Weg zu intelligenteren, nachhaltigeren Gebäuden, die Bewohner still und verlässlich komfortabel und gesund halten — gestützt von einer prädiktiven Engine, die genau, effizient und anpassungsfähig bleibt, während Sensornetzwerke und Datenmengen weiter wachsen.

Zitation: Kenawy, S., Alhussan, A.A., Khafaga, D.S. et al. Optimized environmental prediction in smart buildings using Dynamic Greylag Goose algorithm and deep learning. Sci Rep 16, 10769 (2026). https://doi.org/10.1038/s41598-026-41343-3

Schlüsselwörter: intelligente Gebäude, Umweltvorhersage, IoT-Sensordaten, Deep Learning, Optimierungsalgorithmen