Optimerad miljöprognos i smarta byggnader med Dynamic Greylag Goose-algoritmen och djupinlärning

Smartare byggnader för vardagskomfort

Föreställ dig att bo eller arbeta i en byggnad som diskret anpassar sig — håller luften fräsch, temperaturen behaglig och belysningen lagom — utan att slösa energi. När fler byggnader utrustas med internetanslutna sensorer samlas stora mängder data om inomhusförhållanden. Denna artikel undersöker hur man förvandlar den informationsmängden till träffsäkra prognoser för hur inomhusmiljön kommer att vara de närmaste minuterna eller timmarna, så att värme-, kyl-, belysnings- och ventilationssystem kan agera i förväg istället för att reagera för sent.

Varför inomhusförhållanden är svåra att förutsäga

Moderna smarta byggnader använder många sensorer för att övervaka temperatur, luftfuktighet, ljus, luftkvalitet och buller dygnet runt. Dessa signaler varierar över tid på komplicerade sätt: morgnar skiljer sig från kvällar, vardagar från helger, och plötsliga händelser — som att ett fönster öppnas eller att en folkmassa kommer in i ett rum — kan ge kraftiga hopp. Eftersom det finns så många sensorer är datan högdimensionell och ofta brusig. Enkla modeller har svårt att fånga dessa mönster, vilket leder till inexakta prognoser och ineffektiv styrning av värme-, ventilations- och luftkonditioneringssystem. Utmaningen är att sålla i denna komplexa data, behålla endast de mest informativa signalerna och lära sig hur de utvecklas över tid.

Ett lärande system inspirerat av fågelflockar

Författarna föreslår ett intelligent prediktionsramverk som kombinerar två idéer: en djupinlärningsmodell kallad Long Short-Term Memory (LSTM) och en naturinspirerad optimerare som modellerar grågåsens beteende. LSTM-nätverk är särskilt bra på att lära från sekvenser, vilket gör dem väl lämpade för tidsstämplade sensordata. Dynamic Greylag Goose Optimization (DGGO)-algoritmen efterliknar hur flockar utforskar stora områden och gradvis inriktar sig på fördelaktiga rutter. I ramverket utforskar virtuella ”gäss” olika val för vilka sensorfunktioner som ska behållas och hur LSTM:ens interna inställningar ska sättas. Med tiden skiftar deras sökmönster från bred utforskning till finjustering, vilket hjälper systemet att undvika att fastna i dåliga lösningar.

Välja rätt signaler och finjustera hjärnan

Ett nyckelsteg är funktionsval — att avgöra vilka delar av sensordatan som faktiskt hjälper till vid prognos. Forskarna omvandlar varje möjlig delmängd av funktioner till ett enkelt på/av-mönster och låter en binär version av DGGO söka igenom dessa mönster. Den tenderar att välja kombinationer som sammanfattar både nivå och senaste trend för inomhusvariablerna, samt hur de relaterar till varandra — såsom förhållandet mellan temperatur och luftfuktighet eller rullande medelvärden som jämnar ut tillfälliga toppar. Efter detta trimningssteg används DGGO igen för att finjustera LSTM:ens struktur och träningsinställningar, till exempel hur många enheter som ska användas i varje lager och hur snabbt modellen ska lära sig. Denna tvåstegsoptimering syftar till att producera en kompakt, snabb och noggrann modell anpassad till byggnadens data.

Hur väl systemet presterar

Teamet testade sin metod på en publik datamängd insamlad från en smart byggnad utrustad med sensorer för temperatur, luftfuktighet, ljus, luftkvalitet och ljud. De jämförde sin DGGO-tunade LSTM-modell med flera alternativ, inklusive andra optimeringsmetoder som imiterar vargar, valar eller en enklare gåsstrategi. DGGO–LSTM-kombinationen uppnådde den lägsta prognosfelet och den högsta effektivitetspoängen bland alla testade uppsättningar. Den minskade huvudfelet med ungefär 17–37 procent jämfört med de näst bästa metoderna och körde cirka 42 procent snabbare än en av de konkurrerande optimerarna. Korskontroller såsom upprepade train–test-splitter, analys av skillnader mellan träningsoch valideringsprestanda och tester på en helt annan industriell IoT-datamängd tyder alla på att förbättringarna är verkliga och inte bara överanpassning till ett enskilt fall.

Vad detta betyder för vardagslivet

För icke-specialister är slutsatsen enkel: genom att noggrant välja vilka sensoravläsningar som är viktiga och använda en optimeringsstrategi inspirerad av fågelflockar för att finjustera en djupinlärningsmodell, kan byggnader lära sig att ”se in i den närmaste framtiden” för sin inomhusmiljö. Det gör att styrsystem kan justera värme, kyla och ventilation innan förhållandena avviker från komfortzonen, samtidigt som onödig energianvändning undviks. Resultatet är en väg mot smartare, grönare byggnader som tyst håller de boende bekväma och friska, stödda av en prediktiv motor som förblir noggrann, effektiv och anpassningsbar i takt med att sensornätverk och datavolymer fortsätter att växa.

Citering: 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

Nyckelord: smarta byggnader, miljöprognoser, IoT-sensordata, djupinlärning, optimeringsalgoritmer