Проблема
Владельцы и управляющие зданий столкнулись с проблемой: как сделать так, чтобы люди начали экономить электроэнергию и мотивировали к этому других потребителей. Иными словами, они пытались выяснить, как повысить энергоэффективность коммерческих зданий и образовательных учреждений через влияние на потребительское поведение.
Решение
Чтобы решить эту задачу, с помощью AnyLogic была создана агентная модель.
Во время имитационного эксперимента инженеры Noorjax Consulting меняли поведение системы на основе этой модели. Для моделирования было выбрано здание университета, а именно один его этаж, чтобы упростить эксперимент.
В исследовании рассматривались две гипотезы:
- Молодой человек без проблем со здоровьем с большей вероятностью будет подниматься и спускаться по лестнице, чем на лифте, выключать свет и не использовать кондиционер воздуха.
- Применение мер воздействия, таких как деньги, общественное признание и т.д., может помочь людям сделать выбор в пользу энергосбережения.
Чтобы задача стала более структурированной, был использован социотехнический подход.
Создавая агентную прогнозирующую модель, исследователи использовали субъективные данные из выборочного опроса. В рамках него 140 человек ответили на 40 вопросов. Анализируя результаты, можно было предсказать ответы еще на два вопроса, а затем с их помощью спрогнозировать поведение людей. Чтобы предсказать ответы на эти два вопроса, была создана модель на языке Python с применением многомерной регрессии. Модель предсказывала ответы на два вопроса:
- Выключаю ли я свет и бытовую технику, когда они мне не нужны, где бы я ни находился?
- Чем я чаще пользуюсь: лестницей или лифтом?
Ответы на эти вопросы можно предсказать на основе результатов опроса. Демографические данные в краткосрочной перспективе останутся прежними, а вот взгляд на проблему изменения климата и желание экономить электроэнергию могут измениться, если оказывать на пользователей влияние, просвещать их и предоставлять различные бонусы. После того, как начнут происходить изменения, прогнозирующая модель сможет предсказать новое поведение людей в отношении экономии электроэнергии в здании.
Pypeline — это библиотека коннекторов в AnyLogic, с помощью которой можно быстро создавать интерфейс между AnyLogic и Python. Кроме того, инженеры использовали scikit-learn, самую популярную библиотеку машинного обучения для Python. Методы регрессии из этой библиотеки они применили для создания прогнозирующей модели. С помощью статической прогнозирующей модели исследователи анализировали, как желание пользователей экономить электроэнергию зависит от демографических параметров. В ходе имитационного эксперимента модель становилась динамической.
Например, при описании встречи преподавателей и студентов, обсуждающих вопросы изменения климата, можно использовать набор из трех абстрактных независимых дискретных переменных — в данном случае ответы на вопросы со значениями от 1 до 5. Кроме того, можно добавить зависимую переменную — мотивацию экономить электроэнергию (в данном случае поведение S), также со значением от 1 до 5.
Во время встречи какой-либо участник мог быть убежден в своем ответе на вопрос A, B, C и т. Д. Но если в ходе обсуждения участник менял мнение, например с ответа 2 на ответ 3, модель Python предсказывала новое значение переменной S. Эта ситуация проиллюстрирована ниже.
Таким образом, используя прогнозирующую модель, управляющий здания университета мог сделать выводы о том, как с помощью просвещения и информирования пользователей мотивировать их экономить электроэнергию. Эта прогнозирующая модель отлично подходит для принятия решений, поскольку показывает, какие переменные имеют больший вес для предсказания значения зависимой переменной.
Результаты
Прогнозирующая модель помогала изменять характеристики людей в системе во время эксперимента.
По результатам нескольких экспериментов исследователи добились снижения энергопотребления на 6–8 % благодаря влиянию на пользователей и их информированию. Различные элементы вмешательства, такие как деньги и скидки, также должны приводить к снижению энергопотребления.
Кроме того, у исследования наблюдался дополнительный эффект, который здесь не описан. Это улучшение состояния здоровья посетителей здания: они расходовали больше калорий, когда пользовались лестницей вместо лифта.
Однако, основная концепция, показанная в данном примере использования, важнее результатов. Проект еще не завершен, в него будут добавляться новые элементы и сценарии.
С помощью описанного примера мы хотим вдохновить пользователей AnyLogic и руководителей команд реализовать эту идею в своих моделях. Кроме того, пример должен привлечь внимание пользователей и побудить их использовать модели машинного обучения и статистические модели в своих имитационных экспериментах.
Проект был представлен Фелипе Харо (Felipe Haro) из компании Noorjax Consulting на конференции AnyLogic 2021.
Вы также можете посмотреть презентацию в формате PDF.
