Optymalizowane prognozowanie środowiskowe w inteligentnych budynkach z wykorzystaniem algorytmu Dynamic Greylag Goose i uczenia głębokiego

Inteligentniejsze budynki dla codziennego komfortu

Wyobraź sobie, że mieszkasz lub pracujesz w budynku, który dyskretnie się dostosowuje — utrzymując świeże powietrze, przyjemną temperaturę i odpowiednie oświetlenie — nie marnując przy tym energii. W miarę jak coraz więcej budynków jest wyposażonych w połączone z internetem czujniki, generują one ogromne ilości danych o warunkach wewnętrznych. W artykule pokazano, jak przekształcić ten napływ informacji w dokładne prognozy dotyczące tego, jakie będą warunki wewnątrz w kolejnych minutach lub godzinach, tak aby systemy grzewcze, chłodzące, oświetleniowe i wentylacyjne mogły działać z wyprzedzeniem zamiast reagować z opóźnieniem.

Dlaczego warunków wewnętrznych trudno przewidzieć

Nowoczesne inteligentne budynki wykorzystują wiele czujników do monitorowania temperatury, wilgotności, natężenia światła, jakości powietrza i hałasu przez całą dobę. Te sygnały zmieniają się w czasie w skomplikowany sposób: poranki różnią się od wieczorów, dni robocze od weekendów, a nagłe zdarzenia — jak otwarcie okna czy wejście tłumu — mogą powodować gwałtowne skoki. Ponieważ czujników jest tak dużo, dane mają wysoką wymiarowość i często zawierają szum. Proste modele mają trudności z uchwyceniem tych wzorców, co prowadzi do niedokładnych prognoz i nieefektywnego sterowania systemami HVAC. Wyzwanie polega na przesiawaniu tych złożonych danych, zachowaniu jedynie najbardziej informacyjnych sygnałów i nauczeniu się, jak one ewoluują w czasie.

System uczący się zainspirowany ptasimi stadami

Autorzy proponują inteligentne ramy predykcyjne łączące dwie idee: model uczenia głębokiego zwany Long Short-Term Memory (LSTM) oraz inspirowany naturą optymalizator wzorowany na zachowaniu gęsi zbożowych. Sieci LSTM są szczególnie dobre w uczeniu się ze sekwencji, więc nadają się do danych czasowych z czujników. Algorytm Dynamic Greylag Goose Optimization (DGGO) naśladuje to, jak stada eksplorują duże obszary i stopniowo skupiają się na korzystnych trasach. W proponowanych ramach wirtualne „gęsi” przeszukują różne opcje wyboru cech czujników do zachowania oraz ustawień wewnętrznych LSTM. Z czasem ich strategia poszukiwań przechodzi od szerokiej eksploracji do drobnego dostrajania, co pomaga systemowi uniknąć utknięcia w słabych rozwiązaniach.

Wybór właściwych sygnałów i strojenie „mózgu”

Kluczowym krokiem jest selekcja cech — decyzja, które fragmenty informacji z czujników rzeczywiście pomagają w prognozowaniu. Badacze przekształcają każdą możliwą podzestaw cech w prosty wzorzec włącz/wyłącz i pozwalają binarnej wersji DGGO przeszukiwać te wzorce. Zwykle wybiera kombinacje, które podsumowują zarówno poziom, jak i niedawny trend zmiennych wewnątrz budynku, a także ich wzajemne relacje — na przykład stosunek temperatury do wilgotności czy średnie kroczące wygładzające chwilowe skoki. Po tym etapie redukcji DGGO jest używany ponownie do dostrojenia struktury LSTM i ustawień treningowych, takich jak liczba jednostek w każdej warstwie czy tempo uczenia się modelu. Ta dwuetapowa optymalizacja ma na celu uzyskanie zwartego, szybkiego i dokładnego modelu dopasowanego do danych budynku.

Jak dobrze działa system

Zespół przetestował swoje podejście na publicznym zbiorze danych z inteligentnego budynku wyposażonego w czujniki temperatury, wilgotności, natężenia światła, jakości powietrza i dźwięku. Porównali swój model LSTM dostrojony przez DGGO z kilkoma alternatywami, w tym z innymi metodami optymalizacyjnymi naśladującymi wilki, wieloryby lub prostszą strategię gęsi. Połączenie DGGO-LSTM osiągnęło najniższy błąd prognozy i najwyższą ocenę wydajności spośród wszystkich testowanych konfiguracji. Zmniejszyło główną miarę błędu o około 17–37 procent w porównaniu z kolejnymi najlepszymi metodami i działało około 42 procent szybciej niż jeden z konkurencyjnych optymalizatorów. Kontrole krzyżowe, takie jak powtarzane podziały na zestawy treningowe i testowe, analiza różnic między wynikami treningu a walidacji oraz testy na zupełnie innym przemysłowym zbiorze danych IoT sugerują, że uzyskane korzyści są rzeczywiste, a nie tylko efektem przeuczenia na jednym przypadku.

Co to oznacza dla codziennego życia

Dla osób niezajmujących się specjalistycznie tematem wniosek jest prosty: przez ostrożny wybór, które odczyty czujników mają znaczenie, oraz zastosowanie strategii optymalizacyjnej zainspirowanej ptasimi stadami do dostrojenia modelu uczenia głębokiego, budynki mogą nauczyć się „zajrzeć w bliską przyszłość” swojego środowiska wewnętrznego. Pozwala to systemom sterowania na korygowanie ogrzewania, chłodzenia i wentylacji zanim warunki wyjdą poza zakres komfortu, przy jednoczesnym unikaniu niepotrzebnego zużycia energii. Efektem jest droga ku mądrzejszym, bardziej ekologicznym budynkom, które dyskretnie utrzymują komfort i zdrowie użytkowników, wspierane przez predykcyjny silnik pozostający dokładnym, wydajnym i adaptowalnym w miarę rozwoju sieci czujników i wzrostu objętości danych.

Cytowanie: 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

Słowa kluczowe: inteligentne budynki, prognozowanie środowiskowe, dane z czujników IoT, uczenie głębokie, algorytmy optymalizacyjne