問題
建物の所有者または管理者が直面する主要な問題は、エネルギーを節約するために、人々にその動機を与えると同時に、他の人にも同様のことを奨励するように影響を与える方法です。言い換えれば、商業施設や教育施設の効率を改善するために、行動に影響を与える戦略をどのように実装できるかということです。
解決策
この問題を解決するために、AnyLogic でエージェント ベースのモデル が作成されました。Noorjax Consulting は、システムの動作を動的に変更できるデータ モデルを適用しました。研究者は、シミュレートする建物として大学を選択し、単純化するために、その建物の 1 フロアのみを選択しました。
次の 2 つの仮説が立てられました：
- 若くて健康な人は、エレベーターの代わりに階段を使うか、電気を消すか、あるいはエアコンを使わないことを選ぶかもしれません。
- 個人がエネルギーを節約することを選択するのに役立つ可能性がある、お金、公の認識などの介入が生成される可能性があります。
問題をより構造化された方法で理解するために、社会技術的フレームワークが構築されました。
エージェントベースの予測モデルは、サンプル調査の主観的データを使用して構築されました。調査には 140 人の個人が参加し、約 40 の質問がありました。アンケートの回答を使用して、さらに 2 つの質問に対する回答を予測し、それを使用して個人の行動をさらに予測することができます。
これら 2 つの質問の値を予測するために、多変量回帰のバリアントを使用して Python モデルが構築されました。2つの質問は次のとおりです：
- 必要のない照明や電化製品を意識的に消していますか?
- 通常の状況では、目的地に行くのに階段を使いますか、それともエレベーターを使いますか?
これらの回答は、調査から独立した値に基づいて予測できます。人口統計情報は短期的には変化しませんが、影響力、教育、または報酬を通じて、気候変動と省エネルギーに関する見解が変わる可能性があります。これらの変更の後、予測モデルは、個人による建物のエネルギー節約に関する新しい行動を予測できます。
Pypeline は AnyLogic 用のコネクタ ライブラリにあり、AnyLogic と Python の間のインターフェイスを簡単かつスムーズに作成できます。Python の最も一般的な機械学習ライブラリである scikit-learn が使用されました。この scikit-learn ライブラリには、利用可能な回帰方法があり、必要な予測モデルを作成するために使用されました。
例えば、気候変動に関するスタッフと学生の会議中に、3 つの抽象的な独立した離散変数のセットが存在する可能性があります。この場合の質問は、1 から 5 の値です。
会議中、誰かが A または B、または C などのトピックについて納得する可能性があります。たとえば、その人が影響を受けて質問 A の答えを 2 から 3 に変更した場合、Python モデルは S の新しい値を予測します。これを下のモデルに示します。
大学の建物管理者は、予測モデルを使用することで、省エネ計画を達成するために教育と情報を推進する方法を理解することができました。この予測モデルは、従属変数の予測においてどの変数の重みが大きいかを示すため、意思決定を行うのに十分です。
結果
予測モデルは、シミュレーションの実行時に、システムに属する個人の特性を変更するのに役立ちました。
複数のシミュレーションを実行した後、教育と影響力のみに基づいて、エネルギー使用量が 6 ～ 8% 削減されました。お金や割引などの介入によって、同様のレベルの改善が得られるはずです。
この研究には、図示されていない副次的な効果もありました。これは、建物を訪れた人々の一般的な健康状態の改善でした。これは、エレベーターの代わりに階段を利用する際により多くのカロリーを消費したためです。
ただし、結果は、このケース スタディで説明されている一般的な概念ほど重要ではありません。このプロジェクトはまだ完了しておらず、今後さらに要素やシナリオが追加される予定です。
このユース ケースは、AnyLogic ユーザー、またはチーム リーダーがこのアイデアを独自のモデルに適用するよう促すように設計されています。また、ユーザーがシミュレーションで機械学習モデル や統計モデルを使用する可能性について考えるよう促すことも想定されていました。
このケーススタディは、AnyLogic Conference 2021 で Noorjax Consulting の Felipe Haro によって発表されました。
スライドはPDFでご覧いただけます。
