Bi Directional Feedback Fusion for Activity Aware Forecasting of Indoor CO2 and PM2.5

Dit artikel introduceert een tweestroms bi-directioneel feedbackfusieframework dat menselijke activiteiten en omgevingsfactoren integreert om de voorspelling van binnenluchtkwaliteit (CO2 en PM2.5) significant te verbeteren ten opzichte van bestaande methoden.

De kern

Titel: De Slimme Voorspeller voor Lucht in Je Huis

Stel je voor dat je huis een levend wezen is dat ademt. Net als wij, heeft het een "longen" (de ventilatie) en een "hartslag" (de mensen die er wonen). Maar soms wordt die lucht ongezond, zonder dat je het merkt. Denk aan fijn stof van het koken of CO2 van al die mensen die in een kamer zitten.

Deze paper beschrijft een slimme manier om te voorspellen wanneer de lucht in huis slecht wordt, zodat je ventilatie of ramen op het juiste moment kunt openen.

Hier is hoe het werkt, vertaald naar begrijpelijke taal:

1. Het Probleem: De "Vergane" Voorspellers

Vroeger keken slimme systemen alleen naar de geschiedenis van sensoren (temperatuur, vochtigheid, vorige CO2-waarden).

• De analogie: Het is alsof je probeert te voorspellen of het morgen gaat regenen, alleen door te kijken naar hoe nat de grond gisteren was. Je mist de belangrijke factor: de menselijke actie.
• Als iemand plotseling begint te bakken, stijgt het fijn stof (PM2.5) direct. Als een klas vol kinderen binnenkomt, stijgt de CO2. Een systeem dat alleen kijkt naar de "geschiedenis", ziet dit niet aankomen. Het is alsof je een auto bestuurt die alleen naar de achteruitkijkspiegel kijkt.

2. De Oplossing: Twee Oren, Één Brein

De auteurs van dit paper hebben een nieuw systeem bedacht dat twee dingen tegelijk doet, net als een mens die zowel luistert als kijkt. Ze noemen dit een "Bi-Directional Feedback Fusion" (Tweeweg-terugkoppeling).

Stel je dit voor als een kookshow met twee experts:

• Expert 1 (De Omgeving): Kijkt naar de sensoren. Hij ziet: "Het is warm, de ramen zijn dicht, de lucht is stagnerend."
• Expert 2 (De Actie): Kijkt naar wat de mensen doen. Hij ziet: "Iemand is gaan bakken!" of "Iemand is de kamer binnen gelopen."

In oude systemen werden deze twee experts simpelweg naast elkaar gezet (zoals twee mensen die naast elkaar praten zonder naar elkaar te luisteren). In dit nieuwe systeem praten ze constant met elkaar.

• Als Expert 2 zegt "Bakken!", vraagt Expert 1: "Oh, is de ventilatie dan nog wel goed?"
• Als Expert 1 zegt "De lucht is al zwaar", vraagt Expert 2: "Zijn er nu mensen die gaan bewegen?"

Ze passen hun mening voortdurend aan op basis van wat de ander zegt. Dit heet bi-directionele feedback. Het zorgt ervoor dat het systeem niet alleen kijkt naar wat er was, maar begrijpt wat er aan de hand is.

3. Twee Tijdschalen: De Slak en de Haas

Een ander slimme truc is dat het systeem twee verschillende "tijdsgevoelens" heeft, omdat CO2 en fijn stof zich heel verschillend gedragen:

• De Slak (CO2): CO2 bouwt zich langzaam op, zoals water in een bad. Het duurt even voordat het vol is, en het duurt even voordat het leegloopt. Het systeem heeft een "lange termijn" module die deze trage, rustige veranderingen volgt.
• De Haas (Fijn Stof/PM2.5): Fijn stof is als een plotselinge ontploffing. Als je toast maakt, stijgt het direct en daalt het weer snel. Het systeem heeft een "korte termijn" module die snel schakelt om deze pieken te vangen.

Door deze twee modules te combineren, kan het systeem zowel de trage CO2-daling als de snelle rookpluim van het koken perfect voorspellen.

4. Het "Onzekerheids-Compass"

Niet alles is 100% zeker. Soms is de data rommelig of missen sensoren een meting.

• De analogie: Stel je voor dat je een weersvoorspelling krijgt. Een oude systeem zegt: "Het regent 100% zeker." Een nieuw systeem zegt: "Het regent waarschijnlijk, maar ik ben niet 100% zeker omdat de wind hard waait."
• Dit nieuwe systeem geeft ook een onzekerheids-schatting. Het zegt niet alleen wat er gaat gebeuren, maar ook hoe zeker het daarover is. Dit is cruciaal voor gebouwenbeheer: als het systeem twijfelt, kan het veiliger zijn om de ventilatie iets eerder aan te zetten dan te wachten tot het te laat is.

Waarom is dit belangrijk?

Dit systeem is als een slimme huisbewaarder die niet alleen kijkt naar de thermometer, maar ook naar wat de bewoners doen.

• Het voorkomt dat je in een benauwd klaslokaal zit (te veel CO2).
• Het voorkomt dat je longen worden belast door kookdampen (te veel fijn stof).
• Het helpt gebouwen om energie te besparen door de ventilatie alleen aan te zetten als het écht nodig is, gebaseerd op gedrag in plaats van een vast schema.

Kortom: Door te kijken naar zowel de sensoren als de menselijke acties, en door deze twee voortdurend met elkaar te laten "overleggen", kunnen we de luchtkwaliteit in onze huizen en kantoren veel beter voorspellen en controleren.

Technische samenvatting

Probleemstelling

Het voorspellen van de binnenluchtkwaliteit (IAQ), specifiek de concentraties van kooldioxide (CO2) en fijnstof (PM2.5), is cruciaal voor de gezondheid en het comfort van bewoners. Bestaande data-gedreven modellen vertrouwen echter voornamelijk op historische sensormetingen (zoals temperatuur, vochtigheid en eerdere pollutantniveaus). Deze benadering heeft twee belangrijke beperkingen:

1. Gebrek aan gedragscontext: Traditionele modellen negeren vaak de latente contextuele en gedragsmatige drijfveren van vervuiling. Acties zoals koken, schoonmaken of het openen van ramen kunnen leiden tot snelle pieken in PM2.5 of CO2-stijgingen die niet voorspelbaar zijn op basis van eerdere sensortrajecten alleen.
2. Complexiteit van dynamiek: De interactie tussen omgevingsfactoren en menselijk gedrag is complex. Modellen die alleen op sensordata zijn getraind, vertonen vaak een slechtere generalisatie wanneer ze geconfronteerd worden met gedragsgedreven emissiegebeurtenissen.

Methodologie

De auteurs stellen een nieuw dual-stream bi-directional feedback fusion framework voor dat omgevingsgegevens en menselijk gedrag samen modelleert. De architectuur bestaat uit de volgende kerncomponenten:

1. Dual-Stream Invoer:

   • Omgevingsstroom ($X_e$): Sensormetingen (temperatuur, vochtigheid, CO2, PM2.5).
   • Actiestroom ($X_a$): Embeddings van menselijke activiteiten, afgeleid van tekstuele logs (bijv. "koken", "raam openen") met behulp van het all-MiniLM-L6-v2 model.

2. Individuele Stream Encoders:
   Elke stroom wordt eerst onafhankelijk verwerkt door een Stream-wise Temporal Encoder (STE) om de specifieke temporele dynamiek van die stroom te leren (bijv. langzame CO2-accumulatie versus snelle actiegerelateerde veranderingen).

3. Gedeelde en Privé Representaties:
   Na encoding worden de features opgesplitst in:

   • Gedeelde representaties: Vangen gemeenschappelijke patronen op (bijv. effect van bezetting).
   • Privé representaties: Vangen stroomspecifieke cues op (bijv. kookpieken voor PM2.5).
     Dit voorkomt dat één modale stroom de andere domineert.

4. Bi-Directional Feedback Fusie:
   In plaats van simpele concatenatie, gebruikt het model een iteratief feedbackmechanisme. Een globale fusiestatus ($F$) modereert de privé-representaties van elke stroom via contextbewuste schaling en verschuiving (via parameters $\gamma$ en $\beta$). Deze aangepaste stroominformatie wordt vervolgens teruggekoppeld om de globale status te verfijnen. Dit proces wordt $R$ keer herhaald (in de experiments $R=3$), waardoor het model dynamisch kan schakelen tussen het benadrukken van gedragspieken en het volgen van langetermijntrends.

5. Dual-Timescale Temporele Modules:
   De gefuseerde representatie wordt verwerkt door twee parallelle GRU-modules:

   • Langetermijnmodule: Modellert grove, langzame dynamiek (zoals CO2-accumulatie door ventilatie en bezetting).
   • Kortetermijnmodule: Modellert fijne, snelle fluctuaties veroorzaakt door menselijke activiteiten (zoals koken).
     De uitkomsten worden geconcateneerd voor de uiteindelijke voorspelling.

6. Verliesfunctie en Regularisatie:
   Het model wordt getraind met een samengestelde verliesfunctie die bestaat uit:

   • MSE (Mean Squared Error): Voor algemene nauwkeurigheid.
   • NLL (Negative Log-Likelihood): Voor heteroscedastische onzekerheidsschatting (het model leert ook de variantie van de voorspelling).
   • Regularisatietermen: Om de alignatie tussen gedeelde features, de onafhankelijkheid van privé-features en de diversiteit tussen streams te garanderen.

Belangrijkste Bijdragen

• Dual-Stream Framework: De eerste integratie van omgevingsdata en taalgebaseerde actiemodellering via een bi-directioneel feedbackmechanisme voor IAQ-voorspelling.
• Contextbewuste Modulatie: Een mechanisme dat adaptief bepaalt welke stroom (gedrag of omgeving) op dat moment het belangrijkst is, gebaseerd op de globale fusiestatus.
• Dual-Timescale Architectuur: Een ontwerp dat specifiek is afgestemd op de verschillende temporele schalen van CO2 (langzaam) en PM2.5 (snel/impulsief).
• Robuustheid en Onzekerheid: Het gebruik van een onzekerheidsbewuste verliesfunctie levert niet alleen nauwkeurigere voorspellingen, maar ook interpreteerbare onzekerheidsschattingen, essentieel voor besluitvorming in slimme gebouwen.

Resultaten

De methode is gevalideerd op de DALTON-dataset (een grote dataset met sensoren en gedetailleerde activatielogboeken uit 30 binnenruimtes).

• Prestatieverbetering: Het voorgestelde model presteert significant beter dan state-of-the-art baselines (zoals iTransformer, TCN, en modellen zonder gedragsinformatie).
  • Voor CO2: Reductie in RMSE van ~134 (alleen sensoren) naar 81.47 (met feedback fusie), met een $R^2$ van 0.93.
  • Voor PM2.5: Reductie in RMSE van ~65 naar 30.43, met een $R^2$ van 0.88.
• Ablatie Studies:
  • Feedback: Het toevoegen van iteratieve feedback ($R=3$) was cruciaal; zonder feedback was de prestatie aanzienlijk lager.
  • Dual-Timescale: Het combineren van kort- en langetermijnmodules leverde de beste resultaten op, in tegenstelling tot modellen die zich alleen op één tijdschaal richtten.
  • Verliesfunctie: Heteroscedastische onzekerheid (NLL) verbeterde de prestaties voor PM2.5 met 36% in RMSE ten opzichte van alleen MSE, wat aantoont dat het modelleren van variabiliteit essentieel is voor event-gedreven pollutanten.
• Kwalitatieve Analyse: Het model volgt de algemene trends goed, maar heeft moeite met het exact voorspellen van de piekhoogte van zeer snelle gebeurtenissen (zoals het bakken van eieren) in een open-loop setting, hoewel het de timing wel correct vastlegt.

Betekenis en Conclusie

Dit onderzoek toont aan dat het expliciet integreren van menselijk gedrag in IAQ-voorspellingsmodellen de nauwkeurigheid en robuustheid aanzienlijk verbetert, vooral voor pollutanten die sterk worden beïnvloed door kortdurende activiteiten (zoals PM2.5).

De voorgestelde architectuur biedt een nieuwe standaard voor slimme gebouwbeheersystemen. Door niet alleen te vertrouwen op historische sensordata, maar ook op actieve gedragscontext en onzekerheidsschattingen, kunnen deze systemen beter anticiperen op luchtkwaliteitspieken. Dit is van groot belang voor het optimaliseren van ventilatie, het voorkomen van gezondheidsrisico's en het ondersteunen van gezondheidsbewuste monitoringssystemen in de toekomst.