随着健康意识的觉醒，人们对居住的建筑提出了一系列与健康相关的要求，以期改善居住条件。在此背景下，BIM（Building Information Modeling）充分利用健康、环境、信息技术等诸多领域的前沿理论和技术，为工程师设计和建造各种健康绿色建筑提供了新的途径。具体来说，传感器在云计算技术的帮助下监测建筑物、物体和人的周围环境，在实现智能建筑目标方面发挥着重要作用。此外，有必要快速确定最佳传感器位置以节省能源并最大限度地减少建筑物的传感器数量，由于可用传感器数量有限且每个传感器的候选位置都很大，因此这是云平台的一项去试验任务。在本文中，我们提出了一种快速传感器放置位置优化方法 (FSPLO) 来解决云辅助智能建筑中的 BIM 问题。特别是，我们使用局部敏感散列 (LSH) 技术快速过滤掉 FSPLO 中传感器的重复候选位置，以仅保留少量优化位置以在建筑物周围部署传感器。通过这种方式，我们可以显着减少用于健康和绿色建筑的传感器数量。最后，一组模拟实验证明了我们提出的 FSPLO 方法的出色性能。我们提出了一种快速传感器放置位置优化方法 (FSPLO) 来解决云辅助智能建筑中的 BIM 问题。特别是，我们使用局部敏感散列 (LSH) 技术快速过滤掉 FSPLO 中重复的传感器候选位置，以仅保留少量优化位置以在建筑物周围部署传感器。通过这种方式，我们可以显着减少用于健康和绿色建筑的传感器数量。最后，一组模拟实验证明了我们提出的 FSPLO 方法的出色性能。我们提出了一种快速传感器放置位置优化方法 (FSPLO) 来解决云辅助智能建筑中的 BIM 问题。特别是，我们使用局部敏感散列 (LSH) 技术快速过滤掉 FSPLO 中传感器的重复候选位置，以仅保留少量优化位置以在建筑物周围部署传感器。通过这种方式，我们可以显着减少用于健康和绿色建筑的传感器数量。最后，一组模拟实验证明了我们提出的 FSPLO 方法的出色性能。我们使用局部敏感散列 (LSH) 技术快速过滤掉 FSPLO 中传感器的重复候选位置，以仅保留少量优化位置以在建筑物周围部署传感器。通过这种方式，我们可以显着减少用于健康和绿色建筑的传感器数量。最后，一组模拟实验证明了我们提出的 FSPLO 方法的出色性能。我们使用局部敏感散列 (LSH) 技术快速过滤掉 FSPLO 中传感器的重复候选位置，以仅保留少量优化位置以在建筑物周围部署传感器。通过这种方式，我们可以显着减少用于健康和绿色建筑的传感器数量。最后，一组模拟实验证明了我们提出的 FSPLO 方法的出色性能。
介绍
社会经济的不断发展，显着改善了人们的生活条件，改变了人们对生活的看法。在这种情况下，高品质生活已经超越了生存需要，成为人类追求的重要目标[ 1 , 2 , 3 ]。此外，随着 COVID-19 大流行和其他流行病的广泛传播，人们越来越重视健康生活 [ 4 , 5]. 换句话说，现在人们比以往任何时候都更愿意关注健康，这促进了健康业务或行业的快速发展，从而为智慧医疗、智慧医疗等一系列与健康相关的领域带来更多的发展机会。智能家居、智能运动和智能建筑[ 6、7 ]。
建筑作为人们居住和停留的重要场所，以其改善健康生活的天然优势越来越受到学术界和工业界的关注。为了实现这一目标，智能建筑的概念被提出，通过引入传感器和云平台来监测和分析建筑物的实时环境状况（如天气、温度、湿度、阳光、风力等），以了解特定的建筑环境尽可能快速准确地 [ 8 , 9]. 在获得详细的监测数据后，可以采取相应的措施来应对建成环境的意外变化。例如，当云平台通过分析湿度传感器获得的数据，在接下来的几个小时内报告有强降雨时，窗户会自动关闭，以防止雨水进入建筑物。因此，随着居住者对健康生活的要求不断提高，传感器已成为智能建筑不可或缺的一部分[ 10]. 然而，检测数据的多样性和传感器作用的广泛性决定了要全面检测建筑物的实时环境状况，必须部署大量功能多样的传感器。然而，这种方式需要部署大量的传感器，不够经济，并且增加了中央服务器的运行负担[ 11,12,13 ]]. 在这种情况下，就需要优化传感器在建筑物中的部署位置，以减少传感器的数量。一般来说，最佳的传感器部署策略必须满足两个条件：（1）传感器应该监测和收集尽可能多的信息，通过云平台分析出更有价值的信息；(2)传感器应具有“越少越好”的特性，以降低传感器的成本和云平台服务器的负担。然而，它们经常相互冲突，因为更少的传感器只能监测和收集关于建筑物的更少信息。因此，开发满足这两个条件的最佳解决方案是一个巨大的挑战。
鉴于这一挑战，本文提出了一种用于云辅助智能建筑中 BIM 的基于哈希的快速传感器放置位置优化方法。具体来说，通过对部署在不同位置的传感器获取的环境监测数据进行哈希处理，云平台可以发现那些监测数据相似的传感器。这样，通过消除在不同位置部署具有相似数据的冗余传感器，我们可以减少需要维护的传感器数量。
相关工作
云辅助建筑中的能源管理
在[ 14 ]中，作者提出了一种便携式传感器网络平台——BiB，它很容易部署在任何建筑环境中。BiB 是低成本、电池供电的传感器，体积小、重量轻，可以不显眼地安装在办公空间并连接到云平台。BiB 传感器可以收集丰富的环境参数，并可以扩展到测量其他参数，例如二氧化碳。BiB 已经监测了数千座建筑物，通过云平台的大数据分析，找出最有效的方法来改善建筑环境的能源效率。在 [ 15]，针对能源智能建筑实际应用中存在的传感器和云平台高度不可靠的问题，作者提出了一种智能建筑基于占用控制的分层概率框架。该方法使用层次链接，其中每一层以概率方式处理占用检测问题的不同方面。通过在每一层传播不确定性而不是标准的硬决策结果，可以提高整个系统的性能。与基线测量相比，该方法在保持用户舒适度的同时实现了高达 30% 的节能。在 [ 16]，作者提出了一种基于BEMS的新型节能策略。本文首先提出了BEMS监测的概念，讨论了BEMS与云平台的通信协议。然后，使用隐式占用检测方法来计算建筑物中的人数。这种方法主要基于现有的非能源 IT 基础设施，与传统方法相比具有成本低、数据收集准确率高的特点。最后，提出了一种基于占用数据的节能策略。仿真结果表明，该方法在降低建筑能耗方面是有效的。这些方法可以有效地收集智能建筑的数据并加以利用。然而，这些方法没有考虑到智能建筑中收集的数据对隐私的影响，
智能建筑中的数据处理
在[ 17 ]中，面对越来越多的数据和复杂的数据点之间的关系，作者提出了一种简单、经济和隐私保护的方法来提取占用信息。通过聚合语义知识、运动传感器数据和住宅入口数据来开发虚拟住宅传感器。这种方法可以在以类似方式描述的所有建筑环境中复制，在这些环境中收集运动信息，监控空间有明确的边界，占用信息在不同的应用案例中可能很有用。虽然预测占用模型或昂贵的传感替代方案已用于类似目的，但该解决方案简单、廉价、可复制且易于在现有建筑物中实施。在 [ 18]，作者提出了一种候选无线传感器网络，用于云辅助智能建筑的间接占用测量。它可以与其本地环境交互以提供必要的信息并使用上下文信息。为了提供必要的环境监测，该原型具有三个传感器单元，用于测量二氧化碳、温度和湿度。原型机被放置在复杂的室内环境中收集一周的数据。然后通过云平台分析数据，以检查传感器数据和占用信息之间的潜在相关性。真实世界数据集的实验结果表明，CO2 可用于间接占用测量。在 [ 19]，作者关注智能建筑和“物联网”。基于该领域其他研究人员提出的类似技术和系统，作者提出了一种由传感器设备组成的高效智能建筑网络架构。这些设备足够智能，可以将“物联网”[ 20 ]产生的海量数据通过路由器传输到互联网，从而为智慧城市提供有效的解决方案。在 [ 21】，为了处理传感器采集数据中的异常值，本文提出了一种利用人工神经网络（ANN）的异常值检测与恢复方法，用于判断传感器网络中传感器测量的温度是否为异常值。此外，还提出了一种优化的神经网络模型，以提高环境温度变化较大时的检测精度。实验表明，ANN模型可以有效地预测智能建筑无线传感器网络系统的温度。在 [ 22]，集群思想被认为是一种经典且有效的机制，可在智能建筑系统中提供可靠且节能的数据传输，以便有效地处理和传输多媒体数据。聚类时，将整个感知区域划分为若干个小区域，为每个小区域分配一个指定的节点CH进行能量优化。在本文中，作者将手榴弹爆炸法（GEM）和柯西算子结合在CH选择过程中，以改进人工蜂群（ABC）算法的探索和利用。推导了一种新的IABCOCT算法。该算法避免了将搜索过程限制在特定区域的可能性，在搜索过程中具有较高的计算效率。虽然这些方法可以有效地使建筑物“更智能”，
云数据处理中的安全和隐私
在[ 23 ]中，作者针对云环境中用户隐私、通信限制和传感器计算能力等可能面临的挑战，提出了一种基于低分辨率热图像的流量计数算法来避免隐私问题。同时，该方案也适用于基于“物联网”平台的无线传感器网络。该方法可以有效解决无线传感器网络中的隐私问题，为云辅助智能楼宇开发实用的占用监控系统。在 [ 24】，针对智能云环境下的数据敏感性问题，作者提出了一种新的入侵检测系统IDS，可为智能云环境下的无线传感器网络提供完善的安全方案。该设备也是一个传感器，具有更大的功率和存储空间，利用网络中传感器的计算能力，通过过滤所有传入和传出的通信来实现网络安全。通过以上分析和总结，我们可以得出结论，关于智能建筑的现有研究文献仍然面临着广泛的困难和挑战，尤其是当传感器部署和传感器云传输成本昂贵 [25、26、27] 和能源-消费 [ 28 ,29 , 30 ]。考虑到这些挑战，我们提出了一种用于智能建筑的新型传感器部署位置优化方法，以最大限度地减少用于建筑监控的传感器数量。
动机
本节介绍了一个真实世界的例子，以更好地阐明本文的研究动机。如图 1如图所示，房屋周围部署了四个传感器，即A、B、C和D，每个传感器都可以帮助房主监测和收集房屋的实时环境信息（例如温度、湿度、光照）。等）并传输到中央云平台。在这里，每个传感器都可以收集一组房屋的环境信号，这些信号以时间感知矩阵的形式组织（每行表示一个环境标准或指标，每列表示一个时间点）。然而，这些传感器收集的数据范围重叠，导致传感器浪费和额外的部署成本。如此高昂的成本，给业主以绿色、健康、经济的方式建造自己的房子带来了巨大的挑战。鉴于这一挑战，本文针对健康驱动的智能建筑中的 BIM 提出了一种快速传感器放置位置优化方法（名为 FSPLO）。具体来说，在 FSPLO 中，我们利用局部敏感哈希 (LSH) 技术 [31 ]快速过滤掉重复的传感器候选位置，只保留少量位置用于部署连接云平台的传感器。通过优化，一个房间内的传感器数量可以减少到三个，既降低了部署成本，又不影响环境信息的采集。
图。1
基于云传感器的智能建筑：示例场景和挑战
方法
在本节中，我们将详细概述我们提出的方法，称为 FSPLO。一般来说，我们提出的 FSPLO 方法包括以下三个步骤，如图 2所示。首先，对于部署在建筑物周围并连接到云平台的每个传感器，我们基于 LSH 技术构建其哈希索引。其次，我们根据各自的指标值将与建筑物对应的多个传感器聚类到不同的组中。第三，对于每个传感器组，我们选择一个有代表性的传感器并将其部署在建筑物上。这三个步骤将在本节后面的内容中详细说明。
图 2
所提出的 FSPLO 方法的主要过程
实验设置
数据集：为了验证这项工作中提出的 FSPLO 方法的有效性，我们基于真实世界的 WSDREAM 数据集进行了大量模拟实验。具体而言，该数据集包含来自 5825 个对象和 339 个用户的 1,974,675 条监控数据。我们使用数据集中的用户和对象分别模拟传感器和环境指标。这样，我们可以得到如（1）中的339*5825的矩阵V，即参数M =339，N =5825。
基线：此外，在实验比较中，我们将 FSPLO 与另外两种基线相似度计算方法进行了比较：UCF（基于用户的协同过滤）和 ICF（基于项目的协同过滤）。
评估方案：实验中比较的指标包括MAE（衡量算法准确率）和时间成本（衡量算法效率）。我们将每组实验运行 100 次以采用它们的平均性能。
实验环境：所提出的 FSPLO 和所有比较模型都在具有 3.10 GHz Intel I7-6500U CPU 和 16.0 GB RAM 的 Windows 服务器上定义和训练，并在 Python 3.6 中实现。
实验分析
配置文件 1：FSPLO、UCF 和 ICF 的准确性。
在此配置文件中，我们观察了三种方法（即 FSPLO、UCF 和 ICF）在准确性方面的表现（以 MAE 和 RMSE 的形式，越小越好）。为了测试准确度值，我们从数据集中删除了一些已知数据，并使用删除的数据来计算不同方法的准确度。具体来说，我们改变矩阵V的稀疏性，即数据集中删除或丢失数据（用 z 表示）的百分比从 5% 到 25%；参数M =339，N =5825，具体运行结果见图 3。结果如图 3(a) 报告，百分比 z 不影响三种方法的 MAE。此外，所提出的 FSPLO 方法的 MAE 值总是小于其余两种 UCF 和 ICF 方法的 MAE 值，这意味着 FSPLO 方法的准确性是三种竞争方法中最好的。原因是我们使用 LSH 来搜索最相似的传感器及其部署位置，而 LSH 已被证明是一种有效的近似邻居发现解决方案。因此，FSPLO 方法的精度通常很高，这意味着 FSPLO 对绿色、经济和智能建筑中传感器体积的减少是有效的。三种方法的 RMSE 比较如图3所示 (b) 其中三种方法的 RMSE 值都随着参数 z 的增长而减小。此外，我们的 FSPLO 的 RMSE 值小于其余两种竞争方法。这也表明 FSPLO 比其他方法具有更高的准确性。
图 3
FSPLO、UCF和ICF的精度对比
配置文件 2：FSPLO、UCF 和 ICF 的时间成本。
在这个简介中，我们评估了三种方法的时间效率，以显示它们各自在大数据环境中的适用范围和程度。正如配置文件 1 中介绍的那样，我们将数据集中删除或丢失数据（即z ）的百分比从 5% 到 25% 不等；参数M =339，N =5825。具体运行结果如图 4所示。如图4所示，百分比z对三种方法的时间成本有直接影响，因为需要更多的计算时间来处理矩阵V中的更多数据. 此外，FSPLO 方法的 MAE 值始终小于 UCF 和 ICF 的 MAE 值，这表明 FSPLO 方法与其他方法相比具有更高的准确性。原因与Profile 1一样：LSH已被证明是一种有效的近似邻居发现解决方案；因此，FSPLO 具有发现真正相似的传感器及其部署位置的能力。
图 4
FSPLO、UCF和ICF的时间成本比较
配置文件 3：FSPLO 与 ( X, Y ) 对的精度。
正如第4节所介绍的，两个参数在所提出的 FSPLO 方法的性能中发挥了重要作用，即X（即步骤 1 中的散列次数）和Y（即矩阵的列体积在公式（7））。为了观察它们对 FSPLO 方法性能的具体影响，我们设计了一组实验，其中参数z = 25%，M = 339，N = 5825，X在 4 到 7 之间变化，Y在 6 到 14 之间变化。我们测试了 FSPLO 方法的 MAE 值，其结果如图5所示 。如图 5V#�#可见，FSPLO方法的MAE并没有直接相对于M或N呈现出明显的变化趋势，这是因为这两个参数往往共同影响FSPLO方法的精度。而且，当( X , Y ) = (6, 6)时，精度最低（即MAE最大） ；当( X , Y ) = (5, 6) 或(6, 14)时，精度最高（即MAE 最小）。这意味着我们需要通过同时考虑这两个参数来共同优化 FSPLO 方法的准确性。
图 5
FSPLO 的 MAE wrt ( X , Y )
配置文件 4：FSPLO wrt ( X, Y ) 对的时间成本。
在此配置文件中，我们观察时间成本与 ( X , Y ) 参数对之间的关系。参数设置如下：z =25%，M =339，N =5825，X从4到7变化，Y从6到14变化。运行结果如图 6所示。结果表明，FSPLO 方法的时间成本相对于参数X和Y的变化相对稳定（更高的稳定性是算法最受欢迎的，因为我们不需要考虑很多与算法相关的参数）。这是因为 FSPLO 方法的主要步骤，即步骤 1（即传感器索引创建）通常以离线方式完成；因此，FSPLO 方法的时间成本往往与这两个参数关系不大。然而，正如结果所指出的那样，当参数X = 7时，时间成本往往最高。这是因为当X较高时，邻居搜索条件更严格，因此 FSPLO 方法可能无法顺利发现相似传感器. 在这种情况下，我们需要多次重复该算法以找出相似的传感器并将它们正确聚类。
图 6
FSPLO 的时间成本 wrt ( X , Y )
配置文件 5：FSPLO 的精度收敛。
在此配置文件中，我们测试并观察了我们提出的 FSPLO 算法的准确性收敛性。具体每组实验重复100次；X在 4 到 6 之间变化，而Y在 6 到 14 之间变化。实验报告如图7所示，其中 (a) 和 (b) 分别表示 MAE 和 RMSE 的收敛。正如结果报告的那样，当我们重复实验超过 15 次（对于 MAE）和超过 60 次（对于 RMSE）时，FSPLO 的准确性大致稳定。MAE 和 RMSE 的稳定收敛曲线表明所提出的 FSPLO 具有良好的精度收敛性。
图 7
Accuracy convergence of FSPLO w.r.t. (X, Y)
结论
随着人类社会的不断发展，人们对改善生活条件的关注度越来越高，这就呼唤更多经济、绿色、健康的建筑。在这种情况下，云辅助 BIM 提供了一种很有前途的方法，可以通过部署在建筑物周围的各种传感器来优化智能建筑的设计。然而，要准确监控楼宇信息，我们需要部署许多传感器，这些传感器往往价格昂贵，并连接到一个中央云平台。因此，最小化传感器体积并节省部署成本是必要且具有挑战性的。鉴于这一挑战，本文针对云辅助智能建筑中的 BIM 提出了一种基于哈希的快速传感器放置位置优化方法（即 FSPLO）。最后，我们设计了一组模拟实验来证明我们提出的 FSPLO 方法的优势。实验结果证明，我们提出的方法在准确性和推荐效率方面比现有方法具有更高的性能表现。然而，FSPLO 方法仅考虑建筑物的统计传感器数据。然而，传感器数据通常是时间感知的，并且在物联网的各种智能应用中会受到动态影响。因此，在未来，我们将通过结合时间因素来改进 FSPLO 方法。此外，FSPLO方法中参数较多，具体参数值难以确定。未来，我们将研究通过各种人工智能技术计算 FSPLO 中的最佳参数值，包括深度学习 [ 32 ]、神经网络 [ 33 ]]、迁移学习、联邦学习等。最后，大数据应用中的数据格式或类型往往是多种多样的。因此，我们将通过考虑未来数据格式或类型的多样性来进一步完善我们的工作。
代码
WS-DREAM · GitHub。
