Prédiction environnementale optimisée dans les bâtiments intelligents grâce à l’algorithme Dynamic Greylag Goose et à l’apprentissage profond

Des bâtiments plus intelligents pour le confort quotidien

Imaginez vivre ou travailler dans un bâtiment qui s’ajuste discrètement — maintenant l’air frais, la température agréable et l’éclairage adéquat — sans gaspiller d’énergie. À mesure que les bâtiments se dotent de capteurs connectés à Internet, ils génèrent d’immenses volumes de données sur les conditions intérieures. Cet article examine comment transformer ce flux d’informations en prévisions précises de l’environnement intérieur pour les minutes ou les heures à venir, afin que les systèmes de chauffage, de refroidissement, d’éclairage et de ventilation puissent agir en anticipation plutôt que de réagir trop tard.

Pourquoi il est difficile de prédire les conditions intérieures

Les bâtiments intelligents modernes utilisent de nombreux capteurs pour suivre en continu la température, l’humidité, la luminosité, la qualité de l’air et le bruit. Ces signaux évoluent dans le temps de façon complexe : les matinées diffèrent des soirées, les jours ouvrés des week-ends, et des événements soudains — comme l’ouverture d’une fenêtre ou l’arrivée d’une foule — peuvent provoquer des sauts brusques. Avec autant de capteurs, les données sont de haute dimension et souvent bruyantes. Les modèles simples peinent à capturer ces motifs, ce qui conduit à des prévisions inexactes et à un pilotage inefficace des systèmes CVC (chauffage, ventilation, climatisation). Le défi consiste à filtrer ces données complexes, ne conserver que les signaux les plus informatifs et apprendre comment ils évoluent dans le temps.

Un système d’apprentissage inspiré des vols d’oies

Les auteurs proposent un cadre prédictif intelligent qui combine deux idées : un modèle d’apprentissage profond appelé Long Short-Term Memory (LSTM) et un optimiseur inspiré par le comportement des oies cendrées. Les réseaux LSTM sont particulièrement adaptés à l’apprentissage à partir de séries séquentielles, ce qui les rend bien adaptés aux données horodatées des capteurs. L’algorithme Dynamic Greylag Goose Optimization (DGGO) imite la façon dont des vols explorent de vastes zones puis convergent progressivement vers des routes favorables. Dans le cadre proposé, des « oies » virtuelles explorent différentes possibilités de sélection des caractéristiques de capteurs et de réglage des paramètres internes du LSTM. Au fil du temps, leur stratégie de recherche passe d’une exploration large à un ajustement fin, aidant le système à éviter de rester bloqué dans des solutions médiocres.

Sélectionner les bons signaux et régler le réseau

Une étape clé est la sélection de caractéristiques — décider quelles données issues des capteurs contribuent réellement à la prédiction. Les chercheurs transforment chaque sous-ensemble possible de caractéristiques en un simple motif marche/arrêt et laissent une version binaire du DGGO explorer ces motifs. Elle tend à sélectionner des combinaisons qui résument à la fois le niveau et la tendance récente des variables intérieures, ainsi que leurs interactions — par exemple le rapport température/humidité ou des moyennes mobiles qui lissent les pics momentanés. Après cette étape d’élagage, le DGGO est utilisé à nouveau pour régler la structure du LSTM et ses paramètres d’entraînement, tels que le nombre d’unités par couche et la vitesse d’apprentissage. Cette optimisation en deux étapes vise à produire un modèle compact, rapide et précis, adapté aux données du bâtiment.

Performances du système

L’équipe a testé son approche sur un jeu de données public collecté dans un bâtiment intelligent équipé de capteurs mesurant la température, l’humidité, la luminosité, la qualité de l’air et le son. Ils ont comparé leur modèle LSTM optimisé par DGGO à plusieurs alternatives, y compris d’autres méthodes d’optimisation inspirées des loups, des baleines ou une stratégie d’oies plus simple. La combinaison DGGO-LSTM a obtenu l’erreur de prédiction la plus faible et le meilleur score d’efficacité parmi tous les systèmes testés. Elle a réduit la mesure d’erreur principale d’environ 17 à 37 % par rapport aux méthodes les plus proches et a été environ 42 % plus rapide qu’un des optimiseurs concurrents. Des contre-vérifications, telles que des séparations répétées en ensembles d’entraînement et de test, l’analyse des différences entre performances sur l’entraînement et la validation, et des essais sur un jeu de données IoT industriel complètement différent, suggèrent que les gains sont réels et ne résultent pas d’un surapprentissage spécifique à un seul cas.

Ce que cela signifie pour la vie quotidienne

Pour un public non spécialisé, la conclusion est claire : en choisissant soigneusement quelles mesures de capteurs importent et en utilisant une stratégie d’optimisation inspirée des vols d’oies pour affiner un modèle d’apprentissage profond, les bâtiments peuvent apprendre à « voir le court terme » de leur environnement intérieur. Cela permet aux systèmes de contrôle d’ajuster le chauffage, le refroidissement et la ventilation avant que les conditions ne sortent de la zone de confort, tout en évitant des consommations d’énergie inutiles. Le résultat est une voie vers des bâtiments plus intelligents et plus verts, qui maintiennent discrètement le confort et la santé des occupants, soutenus par un moteur prédictif précis, efficace et adaptable à mesure que les réseaux de capteurs et les volumes de données continuent de croître.

Citation: 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

Mots-clés: bâtiments intelligents, prévision environnementale, données de capteurs IoT, apprentissage profond, algorithmes d’optimisation