DOI: https://doi.org/10.1038/s41598-025-10086-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40634515
تاريخ النشر: 2025-07-09
المؤلف: Ahmad Almadhor وآخرون
الموضوع الرئيسي: تحسين الطاقة والراحة في المباني
نظرة عامة
تقدم البحث إطار عمل مدفوع بتوأم رقمي يستخدم نموذج ذاكرة طويلة وقصيرة المدى (LSTM) المعتمد على الانتباه لتوقع الراحة الحرارية الشخصية والتحكم الذكي في أنظمة التدفئة والتهوية وتكييف الهواء في المباني الذكية. غالبًا ما تفشل نماذج الراحة التقليدية في أخذ التفضيلات الفردية والظروف الداخلية الديناميكية في الاعتبار، وهو ما يعالجه هذا الإطار من خلال التركيز على الميزات الزمنية الحرجة لتعزيز الأداء التنبؤي وقابلية التفسير. باستخدام بيانات من قاعدة بيانات ASHRAE العالمية للراحة الحرارية II، يصنف النموذج أصوات الإحساس الحراري (TSVs) إلى ثلاث فئات: بارد بشكل غير مريح (UC)، محايد (N)، ودافئ بشكل غير مريح (UW)، محققًا دقة اختبار تبلغ 83.8%، مما يتجاوز الطرق الحالية. يعزز دمج تقنيات الذكاء الاصطناعي القابل للتفسير، مثل SHAP وLIME، من شفافية النموذج، مما يسمح بإجراء تحليلات كفاءة الطاقة بناءً على السيناريوهات.
في الختام، لا يظهر الإطار المقترح دقة تصنيف عالية (87.9%) وأداء ثابت من خلال التحقق المتقاطع فحسب، بل يمكّن أيضًا من إجراء محاكاة بيئية في الوقت الحقيقي وملفات تعريف راحة شخصية. يحدد مناطق الراحة المثلى (22-26 درجة مئوية و30-60% رطوبة) ويقوم بتحسين إعدادات HVAC لتقليل استهلاك الطاقة بناءً على توقعات محددة للمقيمين. ستهدف الأبحاث المستقبلية إلى دمج حلقات التغذية الراجعة التكيفية، وتوسيع الإطار ليشمل سيناريوهات متعددة المقيمين، ودمج التحكم في المستشعرات في الوقت الحقيقي، بالإضافة إلى استكشاف التأثيرات البيئية الخارجية والتعلم المعزز لاتخاذ قرارات HVAC.
الطرق
توضح المنهجية المقترحة إطار عمل لتوقع الراحة الحرارية الشخصية يجمع بين نموذج ذاكرة طويلة وقصيرة المدى (LSTM) المعزز بالانتباه وبيئة محاكاة توأم رقمي. في قلب هذا الإطار يوجد LSTM ثنائي الاتجاه مع 64 وحدة، مدعومًا بآلية انتباه ذاتي متعددة الرؤوس وطبقات كثيفة، مما يسمح بالتقاط فعال للأنماط الزمانية المكانية المعقدة من كل من المدخلات البيئية والخصائص الشخصية مثل العمر، مستوى الملابس، والنشاط. لتعزيز قابلية التفسير، يتم استخدام تقنيات الذكاء الاصطناعي القابل للتفسير، وبشكل خاص SHAP وLIME، لتوفير رؤى حول أهمية الميزات العالمية والتنبؤات الفردية. يقوم التوأم الرقمي بمحاكاة ظروف المباني في الوقت الحقيقي، مع تغيير المعلمات البيئية مثل درجة الحرارة والرطوبة، ويولد خرائط احتمالية الراحة ثنائية الأبعاد لتحديد مناطق الراحة المثلى بينما يقوم أيضًا بإجراء تحليلات كفاءة الطاقة.
تشمل المنهجية نهجًا منهجيًا لمعالجة البيانات، حيث يتم معالجة القيم المفقودة من خلال إزالة الأعمدة والتعويض بالوسيط، تليها التطبيع واستخراج الميزات لتحسين دقة التنبؤ. يتم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار (70-20)، مع إعادة تشكيل المدخلات إلى تنسيق ثلاثي الأبعاد مناسب للتعلم العميق. تم تصميم نموذج LSTM المعتمد على الانتباه لالتقاط الاعتماديات التسلسلية، باستخدام طبقة LSTM مكونة من 64 خلية عصبية، وطبقة متصلة بالكامل تحتوي على 32 خلية عصبية، وطبقة إخراج softmax لتصنيف الراحة الحرارية إلى ثلاث فئات: بارد بشكل غير مريح (UC)، محايد (N)، ودافئ بشكل غير مريح (UW). يتم تدريب النموذج باستخدام مُحسِّن آدم ويتم تقييمه من خلال مقاييس مختلفة، بما في ذلك الدقة، الدقة، الاسترجاع، درجة F1، ومنحنيات ROC، مما يظهر أداءً متفوقًا مقارنة بالمعايير الحالية في تصنيف الراحة الشخصية.
النتائج
تشير نتائج الدراسة حول تصنيف الراحة الحرارية باستخدام نموذج LSTM المعتمد على الانتباه إلى دقة اختبار إجمالية جديرة بالثناء تبلغ 83.8%. يظهر النموذج دقة واسترجاع قويين بشكل خاص لفئة المحايد (N)، مما يبرز فعاليته في تحديد حالات الراحة السائدة. ومع ذلك، يظهر أداءً مخفضًا في الفئات بارد بشكل غير مريح (UC) ودافئ بشكل غير مريح (UW)، خاصة في الاسترجاع، على الرغم من أن الدقة العالية لـ UC تشير إلى توقعات واثقة عند اكتشاف عدم الراحة. تكشف أداء التدريب والتحقق، كما هو موضح في الجدول 2، عن تحسين مستمر في الدقة، حيث بلغت ذروتها عند دقة تحقق تبلغ 83.53% حوالي العصر 35، مع تنفيذ إيقاف مبكر عند العصر 36 لتخفيف الإفراط في التكيف.
تضع الدراسة أيضًا نتائجها في سياق أوسع لتطبيقات التعلم العميق في أطر العمل الرقمية التوأم لتوقع البيئة المبنية والتحكم فيها. بينما تركز العديد من الدراسات الحالية على توقع درجة الحرارة، تؤكد هذه الأبحاث على التصنيف في الوقت الحقيقي لحالات الراحة الحرارية الشخصية (UC، N، UW) من خلال دمج الميزات البيئية والشخصية والزمنية. يتم توضيح أداء النموذج بشكل أكبر من خلال مقاييس تقييم مختلفة، بما في ذلك مصفوفة الارتباك التي تظهر دقة عالية لفئة N (99.3%) ولكن معدلات تعرف أقل لفئات UC وUW. بشكل عام، تؤكد النتائج على إمكانات النموذج في التحكم التكيفي في الراحة في المباني الذكية، حيث تحقق دقة تحقق متوسطة تبلغ 0.8385 عبر تقسيمات تدريب متعددة.
المناقشة
في هذا القسم، يقدم المؤلفون نهجًا جديدًا لنمذجة الراحة الحرارية والتحكم في HVAC في المباني الذكية من خلال نموذج ذاكرة طويلة وقصيرة المدى (LSTM) المعتمد على الانتباه المدمج مع تقنية التوأم الرقمي. يلتقط هذا النموذج بشكل فعال الاعتماديات الزمنية في راحة المقيمين حيث يستجيب لظروف داخلية متغيرة، مما يعزز دقة التنبؤ وقابلية التفسير. من خلال استخدام آلية الانتباه، يقوم النموذج بتحديد أولويات الميزات المؤثرة بشكل ديناميكي في كل خطوة زمنية، بينما يسمح إطار العمل التوأم الرقمي بإجراء محاكاة في الوقت الحقيقي للديناميات البيئية وتفاعلات المقيمين. يسهل هذا الدمج إدارة الراحة بشكل استباقي وتحسين الطاقة، مصنفًا الراحة الحرارية إلى ثلاث فئات: بارد بشكل غير مريح (UC)، محايد (N)، ودافئ بشكل غير مريح (UW).
تشمل مساهمات البحث تطوير إطار عمل لتحسين HVAC مدفوع بالبيانات يستفيد من بيانات مستشعرات إنترنت الأشياء لتصنيف استهلاك الطاقة الفوري وتوقعات الراحة الحرارية الشخصية. يظهر النموذج، المدرب على قاعدة بيانات ASHRAE العالمية للراحة الحرارية II، توافقه مع دمج المستشعرات في الوقت الحقيقي، مما يمكّن من المراقبة الفعالة والتحكم التكيفي. بالإضافة إلى ذلك، يستخدم المؤلفون تقنيات الذكاء الاصطناعي القابل للتفسير، مثل SHAP وLIME، لتوفير رؤى حول أهمية الميزات وتعزيز شفافية النموذج. تؤكد النتائج على إمكانات هذا الإطار الشامل لدعم اتخاذ القرارات في الوقت الحقيقي، وتحسين كفاءة الطاقة، وتخصيص حلول الراحة في أنظمة المباني الذكية من الجيل التالي.
DOI: https://doi.org/10.1038/s41598-025-10086-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40634515
Publication Date: 2025-07-09
Author(s): Ahmad Almadhor et al.
Primary Topic: Building Energy and Comfort Optimization
Overview
The research introduces a Digital Twin-driven framework that employs an attention-based Long Short-Term Memory (LSTM) model for personalized thermal comfort prediction and intelligent HVAC control in smart buildings. Traditional comfort models often fail to account for individual preferences and dynamic indoor conditions, which this framework addresses by focusing on critical temporal features to enhance predictive performance and interpretability. Utilizing data from the ASHRAE Global Thermal Comfort Database II, the model categorizes Thermal Sensation Votes (TSVs) into three classes: Uncomfortably Cold (UC), Neutral (N), and Uncomfortably Warm (UW), achieving a test accuracy of 83.8%, which surpasses existing methods. The integration of Explainable AI techniques, such as SHAP and LIME, further enhances the model’s transparency, allowing for scenario-based energy efficiency analyses.
In conclusion, the proposed framework not only demonstrates high classification accuracy (87.9%) and consistent performance through cross-validation but also enables real-time environmental simulations and personalized comfort profiles. It identifies optimal comfort zones (22-26 °C and 30-60% humidity) and optimizes HVAC settings to reduce energy consumption based on occupant-specific predictions. Future research will aim to incorporate adaptive feedback loops, extend the framework to multi-occupant scenarios, and integrate real-time sensor controls, alongside exploring outdoor environmental influences and reinforcement learning for HVAC decision-making.
Methods
The proposed methodology outlines a personalized thermal comfort prediction framework that combines an attention-enhanced Long Short-Term Memory (LSTM) model with a Digital Twin simulation environment. Central to this framework is a Bidirectional LSTM with 64 units, augmented by a multi-head self-attention mechanism and dense layers, which allows for the effective capture of complex spatiotemporal patterns from both environmental inputs and personal attributes such as age, clothing level, and activity. To enhance interpretability, explainable AI techniques, specifically SHAP and LIME, are utilized to provide insights into global feature importance and individualized predictions. The Digital Twin simulates real-time building conditions, varying environmental parameters like temperature and humidity, and generates 2D comfort probability maps to identify optimal comfort zones while also conducting energy efficiency analyses.
The methodology includes a systematic data preprocessing approach, addressing missing values through column removal and median imputation, followed by normalization and feature extraction for improved prediction accuracy. The dataset is divided into training and testing sets (70-20), with inputs reshaped into a 3D format suitable for deep learning. The Attention-based LSTM model is designed to capture sequential dependencies, employing a 64-neuron LSTM layer, a fully connected layer with 32 neurons, and a softmax output layer for classifying thermal comfort into three categories: Uncomfortably Cold (UC), Neutral (N), and Uncomfortably Warm (UW). The model is trained using the Adam optimizer and evaluated through various metrics, including accuracy, precision, recall, F1-score, and ROC curves, demonstrating superior performance compared to existing benchmarks in personalized comfort classification.
Results
The results of the study on thermal comfort classification using an Attention-Based LSTM model indicate a commendable overall test accuracy of 83.8%. The model demonstrates particularly strong precision and recall for the Neutral (N) class, highlighting its effectiveness in identifying dominant comfort states. However, it shows reduced performance in the Uncomfortably Cold (UC) and Uncomfortably Warm (UW) classes, especially in recall, although high precision for UC suggests confident predictions when discomfort is detected. The training and validation performance, as detailed in Table 2, reveals a steady improvement in accuracy, peaking at a validation accuracy of 83.53% around epoch 35, with early stopping implemented at epoch 36 to mitigate overfitting.
The study also contextualizes its findings within the broader landscape of deep learning applications in Digital Twin frameworks for building environment prediction and control. While many existing studies focus on temperature forecasting, this research emphasizes real-time classification of personalized thermal comfort states (UC, N, UW) by integrating environmental, personal, and temporal features. The model’s performance is further illustrated through various evaluation metrics, including a confusion matrix that shows high accuracy for the N class (99.3%) but lower recognition rates for UC and UW classes. Overall, the findings underscore the model’s potential for adaptive comfort control in smart buildings, achieving a mean cross-validation accuracy of 0.8385 across multiple training splits.
Discussion
In this section, the authors present a novel approach to thermal comfort modeling and HVAC control in smart buildings through an attention-based Long Short-Term Memory (LSTM) model integrated with Digital Twin technology. This model effectively captures temporal dependencies in occupant comfort as it responds to varying indoor conditions, enhancing predictive accuracy and interpretability. By utilizing an attention mechanism, the model dynamically prioritizes influential features at each timestep, while the Digital Twin framework allows for real-time simulations of environmental dynamics and occupant interactions. This integration facilitates proactive comfort management and energy optimization, classifying thermal comfort into three categories: Uncomfortably Cold (UC), Neutral (N), and Uncomfortably Warm (UW).
The research contributions include the development of a data-driven HVAC optimization framework that leverages IoT sensor data for immediate energy consumption classification and personalized thermal comfort predictions. The model, trained on the ASHRAE Global Thermal Comfort Database II, demonstrates compatibility with real-time sensor integration, enabling effective monitoring and adaptive control. Additionally, the authors employ Explainable AI techniques, such as SHAP and LIME, to provide insights into feature importance and enhance model transparency. The findings underscore the potential of this comprehensive framework to support real-time decision-making, improve energy efficiency, and tailor comfort solutions in next-generation smart building systems.