图1 舒适度预测示意图

楼宇舒适度预测的问题由来已久。早期的研究是建筑学等相关领域的一些研究，一个代表性的舒适度预测方法是PMV，它为建筑环境构造了一个“平均”的人，用来预测一群人在一个相同的环境下对冷热的反应；后来，计算机的一些工具被用上了以构建个性化的舒适度模型，但这些方法往往需要额外的设备或者来自用户的实时反馈；这是因为舒适度其实是和人的主观感受是有关的，必须要额外设备的介入或者用户的反馈。然而，额外的设备以及用户提供反馈的需求，使得这些舒适度模型并没有得到广泛使用，也给方法的大规模部署带来了困难。

因此，很多数据驱动的方法被提出来，以解决这些问题。然而，数据驱动的方法要求设计者对用户所处的环境非常熟悉，能够收集到用户所处环境下的所有可能的情况下的数据，这在边缘甚至移动场景下同样是非常困难的。最近，一些基于多任务学习的方法也被提出来解决这一问题。这些工作致力于为不同的环境训练不同的模型，并且让不同的环境之间能够共享部分知识，以满足数据驱动方法对数据的要求。但是这些方法往往侧重于单次训练，而忽视了知识的保持以及环境的变换导致的模型更新的需求，带来了大量的学习成本。基于这些原因，我们基于Sedna的终身学习特性提出了终身学习的舒适度预测方法，将在后面进行具体介绍。简单来说，Sedna终身学习方法的主要特点在于，它能够指导模型的使用和保存，并以恰当的方式来对模型进行更新，使得系统能够快速适应多个不同的场景。

图2 单任务增量示意图

这是因为在这一系统里面，我们只有一个模型，所以模型在学新知识的时候不可避免的会忘记曾经学过的知识，导致当之前的情况再次出现时，模型依旧会预测错误。这一现象被称为灾难性遗忘。

图3 不同城市之间分布的差异示意图

小样本是指可用数据样本过少的问题。一般来说，我们构建真实应用的数据有两个来源：公开数据集和自己采集。我们调研了学界的公开数据集，发现即使是在开源风气很好的计算机的学术会议上，很多数据集也都没有开源。不开源的情况下，我们在实际应用中往往只能自行收集数据。这就带来了数据孤岛的问题。

首先，因为数据异构的问题，不同边侧会负迁移，所以采集的数据往往只能在某个特定的边侧使用；其次，因为采集设备、网络瓶颈、交付周期等因素的限制，数据采集并不容易；这使得每个边侧的数据都很小，每个边侧的数据可能都会很差。

图4 终身学习架构图

基于终身学习以及我们的实际问题，最终对问题进行了如下的定义。云需要为多个边提供舒适度预测服务。在某一个时间节点，我们已经为N个边的任务提供了服务，这个时候我们的知识库中存储着从这N个任务中学到的知识。现在来了一个新的边缘节点的舒适度预测任务，这个舒适度预测任务可能与已有的舒适度预测任务的某一个相似，也可能和每个任务都不相似。我们想办法为这个边缘节点提供服务；同时，我们也可以学到来自这个任务的知识，并更新我们的舒适度预测知识库。更新之后，我们就可以为后续的未来可能到来的任务提供更高质量的服务。

图5 边云协同终身学习流程示意图

我们的技术方案包括元知识初始化、任务分配、未知任务发现、未知任务处理以及元知识库构建模块。

元知识是从元数据中抽取出来的知识，是知识的知识。我们从数据集中搜索得到了元数据，并通过元数据到元标签的学习抽取出了元知识。元数据具体来说指的是一组样本中具有代表性的特征或项，如夏季或冬季。元标签指的是一个样本在一个任务上的置信度，比如预测结果置信度是90%，那么我们认为这个样本可以很好地被这个任务处理。所以元知识是要决策某个任务是否适用于某个样本。而整个提取元知识的过程就称作元学习，它是一种可以从基础模型学习算法中再次学习的学习算法。这里基础模型可以是XGBOOST，SVM，神经网络等等，有很高的灵活性，包括元标签也可以是自定义的实现方式，我们的工作里使用了置信度实现。

图6 元知识初始化示意图

任务分配模块的作用是在推理阶段利用元知识为推理样本分配任务，因为知识库里存储有很多任务模型，当新样本到来时，系统可能不知道该用哪个进行推理。所以我们需要用元知识来为样本分配一个最适合的任务，决策模型输出的结果是样本与任务的相似度，或者可以理解为预测置信度，相似度越高，使用这个任务预测就越准确。如图，这里我们发现最匹配的任务是2，我们就用任务2的模型进行推理。

图7 任务分配流程示意图

初始化后的知识库需要基于推理任务的反馈进行更新。我们这里定义了两类任务的相似度，即模型的相似度和元知识属性的相似度。根据这两种相似度的组合，我们有4类不同的可能，以及对应的更新操作。当模型和属性都相似时，当前任务为已知任务，不需要更新；当模型不相似但属性相似时，需要任务模型重建，即使用历史任务和当前任务的数据一起训练新的模型；当模型相似但属性不相似时，需要对任务属性进行重抽取，即根据历史任务属性和当前任务属性，一起提取新的任务属性，得到对整体任务的新描述。而当模型和属性都不相似时，就需要增加一个新任务了。

我们的终身学习元知识存储在智能楼宇元数据库BRICK中，如下所示。

图8 知识库示意图

这里任务被定义为一个由模型、属性、样本构成的三元组，这些三元组被组织成了一个树状的结构。模型是指任务推理使用的模型，属性存储的是与任务分配标签的元知识，样本是指任务的训练样本，供后续增量使用。当我们要使用模型进行推理的时候，就可以使用属性描述最接近的任务对应的模型来进行推理。