圖1 舒適度預(yù)測示意圖

樓宇舒適度預(yù)測的問題由來已久。早期的研究是建筑學(xué)等相關(guān)領(lǐng)域的一些研究，一個代表性的舒適度預(yù)測方法是PMV，它為建筑環(huán)境構(gòu)造了一個“平均”的人，用來預(yù)測一群人在一個相同的環(huán)境下對冷熱的反應(yīng)；后來，計算機(jī)的一些工具被用上了以構(gòu)建個性化的舒適度模型，但這些方法往往需要額外的設(shè)備或者來自用戶的實時反饋；這是因為舒適度其實是和人的主觀感受是有關(guān)的，必須要額外設(shè)備的介入或者用戶的反饋。然而，額外的設(shè)備以及用戶提供反饋的需求，使得這些舒適度模型并沒有得到廣泛使用，也給方法的大規(guī)模部署帶來了困難。

因此，很多數(shù)據(jù)驅(qū)動的方法被提出來，以解決這些問題。然而，數(shù)據(jù)驅(qū)動的方法要求設(shè)計者對用戶所處的環(huán)境非常熟悉，能夠收集到用戶所處環(huán)境下的所有可能的情況下的數(shù)據(jù)，這在邊緣甚至移動場景下同樣是非常困難的。最近，一些基于多任務(wù)學(xué)習(xí)的方法也被提出來解決這一問題。這些工作致力于為不同的環(huán)境訓(xùn)練不同的模型，并且讓不同的環(huán)境之間能夠共享部分知識，以滿足數(shù)據(jù)驅(qū)動方法對數(shù)據(jù)的要求。但是這些方法往往側(cè)重于單次訓(xùn)練，而忽視了知識的保持以及環(huán)境的變換導(dǎo)致的模型更新的需求，帶來了大量的學(xué)習(xí)成本?；谶@些原因，我們基于Sedna的終身學(xué)習(xí)特性提出了終身學(xué)習(xí)的舒適度預(yù)測方法，將在后面進(jìn)行具體介紹。簡單來說，Sedna終身學(xué)習(xí)方法的主要特點在于，它能夠指導(dǎo)模型的使用和保存，并以恰當(dāng)?shù)姆绞絹韺δＰ瓦M(jìn)行更新，使得系統(tǒng)能夠快速適應(yīng)多個不同的場景。

圖2 單任務(wù)增量示意圖

這是因為在這一系統(tǒng)里面，我們只有一個模型，所以模型在學(xué)新知識的時候不可避免的會忘記曾經(jīng)學(xué)過的知識，導(dǎo)致當(dāng)之前的情況再次出現(xiàn)時，模型依舊會預(yù)測錯誤。這一現(xiàn)象被稱為災(zāi)難性遺忘。

圖3 不同城市之間分布的差異示意圖

小樣本是指可用數(shù)據(jù)樣本過少的問題。一般來說，我們構(gòu)建真實應(yīng)用的數(shù)據(jù)有兩個來源：公開數(shù)據(jù)集和自己采集。我們調(diào)研了學(xué)界的公開數(shù)據(jù)集，發(fā)現(xiàn)即使是在開源風(fēng)氣很好的計算機(jī)的學(xué)術(shù)會議上，很多數(shù)據(jù)集也都沒有開源。不開源的情況下，我們在實際應(yīng)用中往往只能自行收集數(shù)據(jù)。這就帶來了數(shù)據(jù)孤島的問題。

首先，因為數(shù)據(jù)異構(gòu)的問題，不同邊側(cè)會負(fù)遷移，所以采集的數(shù)據(jù)往往只能在某個特定的邊側(cè)使用；其次，因為采集設(shè)備、網(wǎng)絡(luò)瓶頸、交付周期等因素的限制，數(shù)據(jù)采集并不容易；這使得每個邊側(cè)的數(shù)據(jù)都很小，每個邊側(cè)的數(shù)據(jù)可能都會很差。

圖4 終身學(xué)習(xí)架構(gòu)圖

基于終身學(xué)習(xí)以及我們的實際問題，最終對問題進(jìn)行了如下的定義。云需要為多個邊提供舒適度預(yù)測服務(wù)。在某一個時間節(jié)點，我們已經(jīng)為N個邊的任務(wù)提供了服務(wù)，這個時候我們的知識庫中存儲著從這N個任務(wù)中學(xué)到的知識。現(xiàn)在來了一個新的邊緣節(jié)點的舒適度預(yù)測任務(wù)，這個舒適度預(yù)測任務(wù)可能與已有的舒適度預(yù)測任務(wù)的某一個相似，也可能和每個任務(wù)都不相似。我們想辦法為這個邊緣節(jié)點提供服務(wù)；同時，我們也可以學(xué)到來自這個任務(wù)的知識，并更新我們的舒適度預(yù)測知識庫。更新之后，我們就可以為后續(xù)的未來可能到來的任務(wù)提供更高質(zhì)量的服務(wù)。

圖5 邊云協(xié)同終身學(xué)習(xí)流程示意圖

我們的技術(shù)方案包括元知識初始化、任務(wù)分配、未知任務(wù)發(fā)現(xiàn)、未知任務(wù)處理以及元知識庫構(gòu)建模塊。

元知識是從元數(shù)據(jù)中抽取出來的知識，是知識的知識。我們從數(shù)據(jù)集中搜索得到了元數(shù)據(jù)，并通過元數(shù)據(jù)到元標(biāo)簽的學(xué)習(xí)抽取出了元知識。元數(shù)據(jù)具體來說指的是一組樣本中具有代表性的特征或項，如夏季或冬季。元標(biāo)簽指的是一個樣本在一個任務(wù)上的置信度，比如預(yù)測結(jié)果置信度是90%，那么我們認(rèn)為這個樣本可以很好地被這個任務(wù)處理。所以元知識是要決策某個任務(wù)是否適用于某個樣本。而整個提取元知識的過程就稱作元學(xué)習(xí)，它是一種可以從基礎(chǔ)模型學(xué)習(xí)算法中再次學(xué)習(xí)的學(xué)習(xí)算法。這里基礎(chǔ)模型可以是XGBOOST，SVM，神經(jīng)網(wǎng)絡(luò)等等，有很高的靈活性，包括元標(biāo)簽也可以是自定義的實現(xiàn)方式，我們的工作里使用了置信度實現(xiàn)。

圖6 元知識初始化示意圖

任務(wù)分配模塊的作用是在推理階段利用元知識為推理樣本分配任務(wù)，因為知識庫里存儲有很多任務(wù)模型，當(dāng)新樣本到來時，系統(tǒng)可能不知道該用哪個進(jìn)行推理。所以我們需要用元知識來為樣本分配一個最適合的任務(wù)，決策模型輸出的結(jié)果是樣本與任務(wù)的相似度，或者可以理解為預(yù)測置信度，相似度越高，使用這個任務(wù)預(yù)測就越準(zhǔn)確。如圖，這里我們發(fā)現(xiàn)最匹配的任務(wù)是2，我們就用任務(wù)2的模型進(jìn)行推理。

圖7 任務(wù)分配流程示意圖

初始化后的知識庫需要基于推理任務(wù)的反饋進(jìn)行更新。我們這里定義了兩類任務(wù)的相似度，即模型的相似度和元知識屬性的相似度。根據(jù)這兩種相似度的組合，我們有4類不同的可能，以及對應(yīng)的更新操作。當(dāng)模型和屬性都相似時，當(dāng)前任務(wù)為已知任務(wù)，不需要更新；當(dāng)模型不相似但屬性相似時，需要任務(wù)模型重建，即使用歷史任務(wù)和當(dāng)前任務(wù)的數(shù)據(jù)一起訓(xùn)練新的模型；當(dāng)模型相似但屬性不相似時，需要對任務(wù)屬性進(jìn)行重抽取，即根據(jù)歷史任務(wù)屬性和當(dāng)前任務(wù)屬性，一起提取新的任務(wù)屬性，得到對整體任務(wù)的新描述。而當(dāng)模型和屬性都不相似時，就需要增加一個新任務(wù)了。

我們的終身學(xué)習(xí)元知識存儲在智能樓宇元數(shù)據(jù)庫BRICK中，如下所示。

圖8 知識庫示意圖

這里任務(wù)被定義為一個由模型、屬性、樣本構(gòu)成的三元組，這些三元組被組織成了一個樹狀的結(jié)構(gòu)。模型是指任務(wù)推理使用的模型，屬性存儲的是與任務(wù)分配標(biāo)簽的元知識，樣本是指任務(wù)的訓(xùn)練樣本，供后續(xù)增量使用。當(dāng)我們要使用模型進(jìn)行推理的時候，就可以使用屬性描述最接近的任務(wù)對應(yīng)的模型來進(jìn)行推理。