Оптимизированное прогнозирование условий в умных зданиях с использованием алгоритма Dynamic Greylag Goose и глубокого обучения

Умные здания для повседневного комфорта

Представьте себе здание, в котором автоматически настраиваются условия — воздух остаётся свежим, температура комфортная, освещение оптимальное — без лишних затрат энергии. По мере того как в зданиях устанавливают всё больше подключённых к интернету датчиков, они собирают огромные объёмы данных об условиях внутри. В этой статье рассматривается, как превратить этот поток информации в точные прогнозы того, какими будут внутренние условия через минуты или часы, чтобы системы отопления, охлаждения, освещения и вентиляции могли действовать заранее, а не реагировать слишком поздно.

Почему прогнозировать внутренние условия сложно

Современные умные здания используют множество датчиков для круглосуточного мониторинга температуры, влажности, освещённости, качества воздуха и уровня шума. Эти сигналы меняются со временем сложными способами: утро отличается от вечера, будни — от выходных, и внезапные события — например открытое окно или наплыв людей — могут вызывать резкие скачки. Поскольку датчиков много, данные имеют высокую размерность и часто содержат шум. Простые модели с трудом улавливают такие закономерности, что ведёт к неточным прогнозам и неэффективному управлению системами ОВК. Задача — просеять эти сложные данные, сохранить только информативные сигналы и научиться предсказывать их развитие во времени.

Учебная система, вдохновлённая птичьими стаями

Авторы предлагают интеллектуальную систему прогнозирования, объединяющую две идеи: модель глубокого обучения Long Short-Term Memory (LSTM) и биологически вдохновлённый оптимизатор, имитирующий поведение серых гусей. Сети LSTM особенно хорошо обучаются на последовательностях, поэтому они подходят для временных рядов от сенсоров. Алгоритм Dynamic Greylag Goose Optimization (DGGO) копирует то, как стаи исследуют большие пространства и постепенно сужают поиск к выгодным траекториям. В рамках системы виртуальные «гуси» пробуют разные варианты выбора признаков сенсоров и настройки внутренних параметров LSTM. Со временем их поиск переходит от широкого исследования к тонкой настройке, помогая системе не застревать в неудачных решениях.

Выбор правильных сигналов и настройка «мозга»

Ключевой этап — отбор признаков — решение о том, какие показания сенсоров действительно помогают в прогнозировании. Исследователи представляют каждый возможный набор признаков в виде простого включённого/выключенного шаблона и позволяют бинарной версии DGGO просеивать эти комбинации. Как правило, выбираются сочетания, которые суммируют как текущий уровень, так и недавнюю тенденцию переменных внутри помещения, а также их взаимосвязи — например соотношение температуры и влажности или скользящие средние, сглаживающие кратковременные всплески. После этого этапа DGGO используется снова для настройки структуры LSTM и параметров обучения, таких как число нейронов в слоях и скорость обучения. Эта двухэтапная оптимизация направлена на создание компактной, быстрой и точной модели, адаптированной к данным конкретного здания.

Насколько хорошо работает система

Команда протестировала подход на общедоступном наборе данных, собранном в умном здании с датчиками температуры, влажности, освещённости, качества воздуха и уровня звука. Они сравнили модель LSTM, настроенную DGGO, с несколькими альтернативами, включая другие методы оптимизации, имитирующие волков, китов или более простую стратегию гусей. Комбинация DGGO-LSTM показала наименьшую ошибку прогнозирования и наивысший показатель эффективности среди всех протестированных вариантов. Она снизила основную меру ошибки примерно на 17–37 процентов по сравнению со следующими по качеству методами и работала примерно на 42 процента быстрее одного из конкурирующих оптимизаторов. Дополнительные проверки — повторные разбиения на тренировочные и тестовые наборы, анализ различий между показателями на обучении и валидации, а также тесты на полностью другом промышленном наборе данных IoT — указывают, что прирост результатов реален и не является следствием переобучения на одном конкретном случае.

Что это значит для повседневной жизни

Для неспециалистов вывод прост: тщательно отбирая важные показания сенсоров и применяя стратегию оптимизации, вдохновлённую птичьими стаями, для тонкой настройки модели глубокого обучения, здания могут «заглядывать в ближайшее будущее» своих внутренних условий. Это позволяет системам управления корректировать отопление, охлаждение и вентиляцию до того, как параметры выйдут из комфортного диапазона, и одновременно избегать лишних энергозатрат. В результате возникает путь к более умным и экологичным зданиям, которые тихо поддерживают комфорт и здоровье людей, опираясь на предсказательный движок, остающийся точным, эффективным и адаптивным по мере роста числа сенсоров и объёмов данных.

Цитирование: 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

Ключевые слова: умные здания, прогнозирование окружающей среды, данные сенсоров IoT, глубокое обучение, алгоритмы оптимизации