Dinamik Gri Kaz Algoritması ve derin öğrenme kullanılarak akıllı binalarda çevresel tahminin optimize edilmesi

Günlük Konfor İçin Daha Akıllı Binalar

Hava temizliğini, sıcaklığı uygun seviyede tutan ve aydınlatmayı doğru ayarlayan—enerji israfı olmadan—kendi kendine uyum sağlayan bir binada yaşadığınızı veya çalıştığınızı hayal edin. İnternete bağlı daha çok sensörle donatılan binalar, iç ortam koşulları hakkında büyük miktarda veri topluyor. Bu makale, bu veri akışını önümüzdeki dakika veya saatlerde iç ortamın nasıl olacağını doğru biçimde tahmin etmeye nasıl dönüştürebileceğimizi inceliyor; böylece ısıtma, soğutma, aydınlatma ve havalandırma sistemleri geç tepki vermek yerine önceden harekete geçebilsin.

İç Ortam Koşullarını Tahmin Etmeyi Zorlaştıran Nedir?

Modern akıllı binalar, sıcaklık, nem, ışık, hava kalitesi ve gürültü gibi değişkenleri 7/24 izlemek için çok sayıda sensör kullanır. Bu sinyaller zaman içinde karmaşık biçimlerde değişir: sabahlar akşamlardan, hafta içi günleri haftasonlarından farklıdır ve pencere açılması veya bir kalabalığın odaya girmesi gibi ani olaylar keskin sıçramalara neden olabilir. Çok sayıda sensör olduğunda veriler yüksek boyutlu ve sıklıkla gürültülüdür. Basit modeller bu desenleri yakalamakta zorlanır; bu da hatalı tahminlere ve ısıtma/havalandırma/iklimlendirme sistemlerinin verimsiz kontrolüne yol açar. Zorluk, bu karmaşık veriden en bilgilendirici sinyalleri seçmek ve bunların zaman içindeki evrimini öğrenmektir.

Kuş Sürülerinden Esinlenen Bir Öğrenme Sistemi

Yazarlar, iki fikri birleştiren akıllı bir tahmin çerçevesi öneriyor: Uzun Kısa Süreli Bellek (LSTM) adı verilen bir derin öğrenme modeli ve gri kazlarının davranışını modelleyen doğadan esinlenmiş bir iyileştirici. LSTM ağları dizilerden öğrenmede özellikle iyidir; bu da onları zaman damgalı sensör verileri için uygun kılar. Dinamik Gri Kaz Optimizasyonu (DGGO) algoritması sürülerin geniş alanları nasıl keşfettiğini ve zamanla elverişli rotalara nasıl odaklandığını taklit eder. Çerçevede sanal “kazlar”, hangi sensör özelliklerinin tutulacağı ve LSTM’nin iç ayarlarının nasıl yapılacağı gibi farklı seçenekleri keşfeder. Zamanla arama deseni geniş keşiften ince ayara kayar; bu da sistemin kötü çözümlere takılmasını engellemeye yardımcı olur.

Doğru Sinyalleri Seçmek ve Ağın Ayarlarını Yapmak

Ana adımlardan biri özellik seçimi—hangi sensör bilgisi parçalarının gerçekten tahmine yardımcı olduğunu belirlemektir. Araştırmacılar, her olası özellik alt kümesini basit bir açık-kapalı desenine dönüştürür ve bu desenler içinde ikili bir DGGO sürümü arama yapar. Algoritma genellikle iç ortam değişkenlerinin hem seviyesini hem de son eğilimini özetleyen kombinasyonları ve birbirleriyle ilişkilerini—örneğin sıcaklık/nem oranı veya anlık sıçramaları yumuşatan hareketli ortalamalar gibi—seçme eğilimindedir. Bu budama adımından sonra DGGO, LSTM’nin yapısını ve eğitim ayarlarını da ayarlamak için yeniden kullanılır; her katmanda kaç birim olacağı ve modelin ne kadar hızlı öğrenmesi gerektiği gibi. Bu iki aşamalı optimizasyon, binanın verilerine uygun, küçük, hızlı ve doğru bir model üretmeyi hedefler.

Sistemin Performansı Ne Kadar İyi?

Ekip, yakıt sıcaklığı, nem, ışık, hava kalitesi ve ses için sensörlerle donatılmış bir akıllı binadan toplanmış halka açık bir veri kümesi üzerinde yaklaşımlarını test etti. DGGO ile ayarlanmış LSTM modellerini kurt, balina veya daha basit bir kaz stratejisini taklit eden diğer optimizasyon yöntemleri dahil olmak üzere çeşitli alternatiflerle karşılaştırdılar. DGGO-LSTM kombinasyonu test edilen tüm düzenekler arasında en düşük tahmin hatasını ve en yüksek verimlilik skorunu elde etti. Ana hata ölçüsünü bir sonraki en iyi yöntemlere kıyasla yaklaşık %17–37 oranında düşürdü ve rakip optimizatörlerden birine göre yaklaşık %42 daha hızlı çalıştı. Tekrarlanan eğitim–test bölmeleri, eğitim ile doğrulama performansı arasındaki farkların analizi ve tamamen farklı bir endüstriyel IoT veri kümesi üzerindeki testler gibi çapraz kontroller, elde edilen kazançların tek bir duruma fazla uyum sağlamaya (overfitting) bağlı olmadığını ve gerçek olduğunu gösteriyor.

Günlük Hayat İçin Anlamı Nedir?

Uzman olmayanlar için çıkarım basittir: hangi sensör okumalarının önemli olduğunu dikkatle seçip kuş sürülerinden esinlenen bir optimizasyon stratejisiyle bir derin öğrenme modelini ince ayarlayarak, binalar iç ortamlarının yakın geleceğini “görmeyi” öğrenebilir. Bu, kontrol sistemlerinin koşullar konfor aralığından sapmadan önce ısıtma, soğutma ve havalandırmayı ayarlamasına ve gereksiz enerji kullanımından kaçınmasına olanak tanır. Sonuç, sakinleri konforlu ve sağlıklı tutan, sensör ağları ve veri hacimleri büyüdükçe doğruluğunu, verimliliğini ve uyarlanabilirliğini koruyan daha akıllı, daha yeşil binalara doğru bir yol sağlar.

Atıf: 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

Anahtar kelimeler: akıllı binalar, çevresel kestirim, IoT sensör verisi, derin öğrenme, optimizasyon algoritmaları