混合Transformer-RNN架构用于利用低分辨率智能电表数据进行家庭占用检测
摘要：住宅占用检测已成为今天城市化世界中各种智能家居应用的一项重要技术，例如楼宇自动化、能源管理以及提高安全性和舒适度等。能源系统的数字化提供了可以在不侵入性的情况下用于占用检测的智能电表数据，从而避免了隐私和数据安全方面的担忧。深度学习技术使得可以从低分辨率的智能电表数据中推断出占用情况，从而实现了精确的带有隐私保护的占用检测需求。因此，我们的工作的动机是在现代生活环境中开发一种注重隐私保护且有效的住宅占用检测模型。我们的模型旨在利用循环神经网络（RNN）和transformer的优势，RNN擅长捕捉局部时间依赖关系，而transformer则能够处理全局时间依赖关系。我们设计的混合型transformer-RNN模型使用每小时的智能电表数据来检测住宅占用情况，在具有各种不同特征的住户中实现了近92％的准确率。我们使用公开可访问的数据集验证了我们方法的有效性，并通过与基于注意力的占用检测方法等最新模型进行比较来展示其性能。
作者：Xinyu Liang, Hao Wang
论文ID：2308.14114
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29