Previsão ambiental otimizada em edifícios inteligentes usando o algoritmo Dinâmico Greylag Goose e aprendizado profundo

Edifícios mais inteligentes para o conforto do dia a dia

Imagine viver ou trabalhar em um edifício que se ajusta discretamente — mantendo o ar fresco, a temperatura agradável e a iluminação no ponto certo — sem desperdiçar energia. À medida que mais edifícios se enchem de sensores conectados à Internet, eles coletam enormes quantidades de dados sobre as condições internas. Este artigo explora como transformar esse fluxo de informações em previsões precisas sobre como o ambiente interno estará nos próximos minutos ou horas, para que os sistemas de aquecimento, refrigeração, iluminação e ventilação possam agir antecipadamente em vez de reagir tardiamente.

Por que é difícil prever as condições internas

Edifícios inteligentes modernos usam muitos sensores para monitorar temperatura, umidade, luminosidade, qualidade do ar e ruído 24 horas por dia. Esses sinais mudam ao longo do tempo de maneiras complexas: manhãs diferem de noites, dias úteis de finais de semana, e eventos súbitos — como abrir uma janela ou a entrada de um grupo de pessoas — podem causar saltos abruptos. Como há tantos sensores, os dados são de alta dimensionalidade e frequentemente ruidosos. Modelos simples têm dificuldade em capturar esses padrões, resultando em previsões imprecisas e controle ineficiente de aquecimento, ventilação e ar-condicionado. O desafio é peneirar esses dados complexos, manter apenas os sinais mais informativos e aprender como eles evoluem ao longo do tempo.

Um sistema de aprendizado inspirado em bandos de aves

Os autores propõem uma estrutura inteligente de previsão que combina duas ideias: um modelo de aprendizado profundo chamado Long Short-Term Memory (LSTM) e um otimizador inspirado na natureza, modelado a partir do comportamento dos gansos-comuns (greylag geese). Redes LSTM são particularmente eficazes em aprender a partir de sequências, tornando-as adequadas para dados de sensores com carimbo temporal. O algoritmo Dynamic Greylag Goose Optimization (DGGO) imita como bandos exploram grandes áreas e gradualmente se concentram em rotas favoráveis. Na estrutura proposta, “gansos” virtuais exploram diferentes escolhas sobre quais características de sensores manter e como ajustar os parâmetros internos do LSTM. Com o tempo, seu padrão de busca muda de exploração ampla para ajuste fino, ajudando o sistema a evitar ficar preso em soluções ruins.

Selecionando os sinais certos e afinando a ‘mente’

Um passo chave é a seleção de características — decidir quais informações dos sensores realmente ajudam na previsão. Os pesquisadores convertem cada subconjunto possível de características em um padrão simples liga/desliga e deixam uma versão binária do DGGO buscar entre esses padrões. Ele tende a selecionar combinações que resumem tanto o nível quanto a tendência recente das variáveis internas, assim como como elas se relacionam — por exemplo, a razão entre temperatura e umidade ou médias móveis que suavizam picos momentâneos. Após essa etapa de poda, o DGGO é usado novamente para ajustar a estrutura do LSTM e as configurações de treinamento, como quantas unidades usar em cada camada e quão rápido o modelo deve aprender. Essa otimização em duas etapas visa produzir um modelo compacto, rápido e preciso, sob medida para os dados do edifício.

Desempenho do sistema

O grupo testou sua abordagem em um conjunto de dados público coletado de um edifício inteligente equipado com sensores de temperatura, umidade, luz, qualidade do ar e som. Eles compararam seu modelo LSTM ajustado pelo DGGO com várias alternativas, incluindo outros métodos de otimização que imitam lobos, baleias ou uma estratégia de ganso mais simples. A combinação DGGO-LSTM alcançou o menor erro de previsão e a maior pontuação de eficiência entre todas as configurações testadas. Reduziu a principal medida de erro em aproximadamente 17–37 por cento em comparação com os métodos seguintes mais eficazes e foi cerca de 42 por cento mais rápida que um dos otimizadores concorrentes. Verificações cruzadas, como divisões repetidas de treino–teste, análise das diferenças entre desempenho em treinamento e validação e testes em um conjunto de dados industrial de IoT completamente diferente, sugerem que os ganhos são genuínos e não apenas um overfitting a um caso particular.

O que isso significa para o dia a dia

Para não especialistas, a conclusão é direta: ao escolher cuidadosamente quais leituras de sensores importam e usar uma estratégia de otimização inspirada em bandos de aves para afinar um modelo de aprendizado profundo, os edifícios podem aprender a “ver o futuro próximo” de seu ambiente interno. Isso permite que os sistemas de controle ajustem aquecimento, resfriamento e ventilação antes que as condições saiam da faixa de conforto, ao mesmo tempo que evitam uso desnecessário de energia. O resultado é um caminho rumo a edifícios mais inteligentes e verdes que mantêm os ocupantes confortáveis e saudáveis de forma discreta, respaldados por um motor preditivo que permanece preciso, eficiente e adaptável à medida que as redes de sensores e os volumes de dados continuam a crescer.

Citação: 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

Palavras-chave: edifícios inteligentes, previsão ambiental, dados de sensores IoT, aprendizado profundo, algoritmos de otimização