研究の概要

居住建物の省エネルギー化において、在室状況の正確な把握は暖冷房・換気の効率化に直結します。本研究はスウェーデン・KTH研究所の実証住宅（Live-In Lab）を舞台に、環境センサーデータからの在室検知手法の「汎化性能」—つまり学習に使っていない別の住居でも精度が保てるか—を評価した研究です。

Mahsa Farjadniaらは、CO2・温度・湿度・照度などの環境センサーデータを入力として、ロジスティック回帰・サポートベクターマシン（SVM）・LSTM（注意機構付き）の3モデルを比較評価。同一住居内でのテスト（In-distribution）と、未知の別住居でのテスト（Cross-apartment）の両方でパフォーマンスを検証しました。省エネ制御への実装を見据えた実用的な観点からの研究です。

主な発見・成果

  • 同一住居内テストでは3手法ともに**精度約83%**と同等のパフォーマンス
  • 別住居への汎化ではLSTM（注意機構付き）が最も優秀（精度0.84、F1スコア0.85）
  • ロジスティック回帰も汎化性能で競争力を持ち、シンプルな代替手段として実用的
  • センサー投資コストと予測精度のトレードオフを現実的に分析
  • 建物の物理モデル（デジタルツイン）から生成したキャリブレーションデータも活用

実務への応用

ビルマネジメントシステム（BMS）やスマートホームシステムの導入を進める企業・設備管理者にとって、在室検知技術の選定指針として活用できる研究です。複数棟に展開するマンション管理・ホテル・社宅管理において、在室センシング技術を汎化性能で選ぶ場合はLSTMベースのモデルが有効です。一方でシンプルさを重視するならロジスティック回帰も十分な精度を発揮します。CO2センサーや温湿度センサーを既に設置している建物では、追加コストなしでエネルギー最適化の精度を向上できる可能性があります。建物のScope 1排出量削減に直結する暖冷房エネルギーの削減において、在室検知の精度向上は即座に効果をもたらします。