book_cover_img
지능정보융합과 미래교육 Intelligent Information Convergence and Future Education eISSN: 2951-4762

Acronym : IICFE
Frequency : Continuous Publication
Doi Prefix : 10.59482/iicfe.
Year of Launching : 2022
Publisher : Intelligent Software Education Research Institute

As a research center for artificial intelligence education in Korea, Jeju National University's Institute of Intelligent Software Education is committed to building an educational foundation for fostering artificial intelligence (AI) convergence talents in the intelligent information society.The institute is building a foundation for AI education to cultivate computational thinking skills as a digital competency required in the intelligent information society, researching AI education for computer non-majors and majors at the lifelong education level from infants to middle-aged adults, researching AI education for the information-deprived class to bridge the digital divide, along with AI ethics research that emphasizes the positive functions of AI and minimizes its negative functions, researching AI convergence technology to solve creative and new problems by looking at trends in the field of AI.In order to systematically study the major research areas listed above and to specifically realize the purpose of the institute, we are publishing a journal under the theme of 「Intelligent Information Convergence and Future Education」.We aim to publish research that seeks to pursue more effective problem-solving methods by integrating intelligent information technology centered on computer science and intelligent information in various fields, and research on information·computer education and convergence education for future education, including artificial intelligence, to foster future human resources to lead the intelligent information society, and we aim to improve the quality of educational research.We look forward to receiving submissions from all researchers in related fields..우리나라 인공지능교육의 연구거점, 제주대학교 지능소프트웨어교육연구소는 지능정보사회의 인공지능(AI) 융합 인재 양성을 위한 교육 기반 구축에 힘을 쏟고 있습니다.본 연구소는 지능정보사회에서 갖춰야 할 디지털 소양으로써의 컴퓨팅 사고력을 함양하기 위한 인공지능교육 기반 구축, 유아부터 중장년층까지 평생교육 차원의 컴퓨터 비전공자 및 전공자를 위한 인공지능교육에 대한 연구, 디지털 격차 해소를 위한 정보배려계층 대상 인공지능교육 연구, 지능정보기술의 순기능을 강조함과 동시에 역기능을 최소화할 수 있는 인공지능윤리 연구 등과 함께, 인공지능 분야의 동향을 살펴 창의적이고 새로운 문제해결을 위해 인공지능 융합 기술을 연구하고 있습니다.이에 본 연구소는 앞서 제시한 주요 연구 분야를 체계적으로 연구함과 동시에 연구소의 목적을 구체적으로 실현하고자 「지능정보융합과 미래교육」을 주제로 학술지를 발간합니다.컴퓨터과학을 중심으로 하는 지능정보기술과 다양한 분야에 지능정보를 융합하여보다 효과적인 문제해결 방법을 추구하고자 하는 연구, 지능정보사회를 이끌어갈 미래 인재양성을 위해 인공지능을 포함한 정보·컴퓨터교육과 미래교육을 위한 융·복합 교육 관련 연구를 게재하고 교육 연구의 질적인 향상을 이루고자 합니다.관련 분야에 계신 모든 연구자 분들의 많은 투고를 부탁드립니다.

KCI 후보
2024년 1월 등재후보학술지 선정
KCI IF
KCI Impact Factor
Intelligent Information Convergence and Future Education Vol.4 No.19 pp.1-8 https://www.doi.org/10.59482/iicfe.2025.4.19.01

머신러닝 기반 건물 에너지 소비량 예측 및 영향 요인 분석
Machine Learning-Based Prediction of Building Energy Consumption and Influential Factor Analysis
차주호 제주대학교 지능소프트웨어교육연구소
Export Citation
Abstract

Abstract

본 연구는 건물의 에너지 소비 효율성 증대 및 최적 관리를 목표로 머신러닝 기술을 활용한 전기 에너지 소비량 예측 모델을 개발하고, 소비에 영향을 미치는 주요 요인을 분석한다. 이를 위해 Kaggle에서 제공된 건물 에너지 소비량 데이터를 기반으로 시간적 특성을 반 영한 피처 엔지니어링과 데이터 정제 과정을 수행했다. 모델의 예측 성능을 높이기 위해 4개의 개별 머신러닝 모델(Ridge, Random Forest, XGBoost, LightGBM)과 이들의 강점을 결합한 스태킹 앙상블(Stacking Ensemble) 모델을 구축했다. 특히, LightGBM과 XGBoost 모델은 베이지안 최적화 프레임워크인 Optuna 내에서 교차 검증을 수행하는 튜닝 기법을 적용하여 잠재적 성능을 향상시켰 다. 성능 평가 결과, 개별 모델들의 예측 결과를 종합하여 최종 예측을 수행하는 스태킹 앙상블 모델이 R2 score 0.613, RMSE 5.037로 가장 우수한 성능을 보였다. 이는 안정적인 선형 모델(Ridge)과 복잡한 비선형 패턴을 학습하는 부스팅 모델(LightGBM, XGBoost)의 시너지가 예측 정확도 향상에 기여했음을 나타낸다. 또한, 설명가능 인공지능(XAI) 기법인 SHAP 분석을 통해 온도(Temperature), 냉난방 사용여부(HVACUsage), 재실 인원(Occupancy) 등이 에너지 소비량에 가장 큰 영향을 미치는 핵심 요인임을 규명하였다. 본 연구에서 개발된 모델과 분석 결과는 건물의 에너지 효율을 최적화하고 관련 정책을 수립하는데 중요한 기초 자료로 활용될 수 있다.
키워드 : 에너지 소비량 예측,머신러닝,스태킹 앙상블,설명가능 인공지능
This study aims to develop a machine learning-based electrical energy consumption prediction model and analyze the key influencing factors to enhance the energy efficiency and optimal management of buildings. Based on building energy consumption data provided by Kaggle, advanced feature engineering and data refinement processes were performed to reflect temporal characteristics. To maximize the predictive performance of the models, five individual machine learning models (Ridge, Random Forest, Decision Tree, XGBoost, LightGBM) and a Stacking Ensemble model that combines their strengths were constructed. In particular, the LightGBM and XGBoost models were fine-tuned using a sophisticated method of performing cross-validation within the Bayesian optimization framework, Optuna, to maximize their potential performance. The performance evaluation revealed that the Stacking Ensemble model, which integrates the predictions of the individual models, demonstrated the highest performance with an R2 score of 0.613 and an RMSE of 5.037. This suggests that the synergy between a stable linear model (Ridge) and boosting models (LightGBM, XGBoost) capable of learning complex non-linear patterns contributed to the improved prediction accuracy. Furthermore, through SHAP analysis, an XAI technique, Temperature, HVACUsae, Occupancy were identified as the key factors most significantly influencing energy consumption, The model and analysis results developed in this study can serve as crucial foundational data for optimizing building energy efficiency and establishing related policies.
Key Words : LightGBM,SHAP,Energy Consumption Prediction,Machine Learning,Stacking Ensemble,LightGBM,XAI,SHAP
LIST
Export citation