חיזוי סביבתי מותאם בבניינים חכמים באמצעות אלגוריתם Dynamic Greylag Goose ולמידה עמוקה

בניינים חכמים לנוחות יומיומית

דמיינו שיש לכם מבנה שמסתגל בשקט — שומר על אוויר נקי, טמפרטורה נעימה ותאורה מתאימה — מבלי לבזבז אנרגיה. ככל שבניינים מצוידים ביותר חיישנים המקושרים לאינטרנט, הם אוספים כמויות ענק של נתונים על התנאים הפנימיים. מאמר זה בוחן כיצד להפוך את זרם המידע הזה לחיזויים מדויקים של מצב הפנים בדקות או בשעות הקרובות, כדי שמערכות חימום, קירור, תאורה ואוורור יקבלו החלטות מראש במקום להגיב באיחור.

מדוע קשה לחזות תנאים פנימיים

בניינים חכמים מודרניים משתמשים בהרבה חיישנים למעקב אחר טמפרטורה, לחות, תאורה, איכות אוויר ורעש לאורך כל שעות היממה. האותות האלה משתנים בזמן בצורה מורכבת: בקרים שונים מערבים ערב, ימי עבודה שונים מסופי שבוע, ואירועים פתאומיים — כמו פתיחת חלון או כניסת קהל — יכולים ליצור קפיצות חזקות. מאחר שיש כל כך הרבה חיישנים, הנתונים מממדיים גבוהים ולעיתים רועשים. מודלים פשוטים מתקשים ללכוד את התבניות האלו, מה שמוביל לחיזויים לא מדויקים ולשליטה לא יעילה במערכות HVAC. האתגר הוא לסנן את הנתונים המורכבים האלה, לשמור רק על האותות המידעיים ביותר וללמוד כיצד הם מתפתחים בזמן.

מערכת למידה בהשראת להקות עופות

המחברים מציעים מסגרת חיזוי חכמה המשלבת שתי רעיונות: מודל למידה עמוקה בשם Long Short-Term Memory (LSTM), ואופטימיזטור בהשראת הטבע המדמה את התנהגותן של הריונית דרור אפור (greylag geese). רשתות LSTM מתבלטות בלמידה מסדרות, ולכן מתאימות במיוחד לנתוני חיישנים מתוזמנים. אלגוריתם Dynamic Greylag Goose Optimization (DGGO) חיקוי את אופן שבו להקות סורקות אזורים רחבים ובהדרגה מתמקדות במסלולים מיטביים. במסגרת המוצעת, "אווזים" וירטואליים בוחנים בחירות שונות של אילו תכונות חיישן לשמר ואילו הגדרות פנימיות של ה-LSTM לקבוע. עם הזמן, דפוס החיפוש שלהם עובר מחקירה רחבה לכיול עדין, מה שעוזר למערכת להימנע מלחיצה לתוצאות גרועות.

בחירת האותות הנכונים וכיוון המוח

שלב מפתח הוא בחירת תכונות — ההחלטה אילו חלקי מידע מהחיישנים תורמים באמת לחיזוי. החוקרים ממירים כל תת־קבוצה אפשרית של תכונות לתבנית פשוטה של דלק/כיבוי ומאפשרים לגרסה בינארית של DGGO לחפש בתבניות אלה. האלגוריתם נוטה לבחור שילובים שמסכמים גם את רמת המשתנה וגם את הטרנד האחרון שלו, וכן את היחסים ביניהם — למשל יחס טמפרטורה ללחות או ממוצעים נעים שמחליקים קפיצות רגעיות. לאחר שלב הסינון הזה, משתמשים ב-DGGO שוב לכוונון מבנה ה-LSTM וההגדרות האימוניות שלו, כגון כמות היחידות בכל שכבה ומהירות הלמידה. אופטימיזציה דו-שלבית זו שואפת לייצר מודל קומפקטי, מהיר ומדויק המותאם לנתוני המבנה.

כיצד המערכת מתפקדת

הצוות בדק את הגישה שלהם על מאגר נתונים ציבורי שנאסף מבניין חכם המצויד בחיישנים לטמפרטורה, לחות, תאורה, איכות אוויר וקול. הם השוו את מודל ה-LSTM מכויל ב-DGGO למספר חלופות, כולל שיטות אופטימיזציה אחרות המדמות זאבים, לווייתנים, או אסטרטגיית אווזים פשוטה יותר. השילוב DGGO-LSTM השיג את שגיאת החיזוי הנמוכה ביותר ואת מדד היעילות הגבוה ביותר בין כל הקונפיגורציות המנוסאות. הוא הקטין את מדד השגיאה העיקרי בכ־17–37 אחוזים בהשוואה לשיטות הטובות הבאות והריץ כ־42 אחוז מהר יותר מאחד המתחרים. בדיקות חוצות כגון חלוקות אימון–בדיקה חוזרות, ניתוח הבדלים בין ביצועי אימון לאימות ומבחנים על מאגר IoT תעשייתי שונה לחלוטין מרמזות שהשיפורים אמיתיים ולא תוצאה של התאמת יתר למקרה יחיד.

מה זה אומר לחיי היומיום

ללא מומחים, המסקנה ברורה: על ידי בחירה מדויקת של קריאות חיישנים חשובות ושימוש באסטרטגיית אופטימיזציה בהשראת להקות עופות לכוונון מודל למידה עמוקה, בניינים יכולים "להביט אל העתיד הקרוב" של סביבה פנימית. זה מאפשר למערכות בקרה לכוונן חימום, קירור ואוורור לפני שהתנאים יוצאים מטווח הנוחות, ובמקביל למנוע שימוש מיותר באנרגיה. התוצאה היא דרך לבניינים חכמים וירוקים יותר ששומרים בשקט על נוחות ובריאות הדיירים, נתמכים במנוע חיזוי שנשאר מדויק, יעיל ומתאים ככל שהרשתות החיישניות והנפחי נתונים ממשיכים לגדול.

ציטוט: 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

מילות מפתח: בניינים חכמים, חיזוי סביבתי, נתוני חיישני IoT, למידה עמוקה, אלגוריתמי אופטימיזציה