Une méthode hybride d'apprentissage automatique basée sur des agents pour la prédiction de la consommation d'énergie centrée sur l'humain

Le comportement des occupants a un impact significatif sur la performance des algorithmes d'apprentissage automatique lorsqu'il s'agit de prédire la consommation d'énergie des bâtiments. Pour diverses raisons (par exemple, les systèmes de gestion de l'énergie des bâtiments peu performants ou les restrictions dues aux politiques de confidentialité), la disponibilité des données d'occupation a longtemps constitué un obstacle qui entrave la performance des algorithmes d'apprentissage automatique dans la prédiction de la consommation d'énergie des bâtiments. Par conséquent, cette étude a proposé un modèle d'apprentissage automatique basé sur des agents où la modélisation basée sur des agents a été utilisée pour générer des données d'occupation simulées comme caractéristiques d'entrée pour les algorithmes d'apprentissage automatique pour la prédiction de la consommation d'énergie des bâtiments. La sélection de caractéristiques Boruta a également été introduite dans cette étude pour sélectionner toutes les caractéristiques pertinentes. Les résultats ont indiqué que les performances des algorithmes d'apprentissage automatique dans la prédiction de la consommation d'énergie des bâtiments étaient significativement améliorées lors de l'utilisation de données d'occupation simulées, avec des améliorations encore plus grandes après avoir procédé à la sélection des caractéristiques Boruta.