问题
业主或管理者面临的一个主要问题是如何激励人们节约能源，同时让他们去鼓励其他人也这样做。换句话说，他们如何使用行为影响策略来提高商业和教育建筑的效率。
解决方案
研究人员在AnyLogic中创建了一个基于智能体的模型以解决这一问题。 Noorjax Consulting在仿真运行时应用了一个数据模型，以改变基于该数据模型的系统行为。研究人员选择了一所大学作为要模拟的建筑，为了简化模型，该建筑只有一层。
提出了两个假设：
- 年轻、健康的人可能会选择使用楼梯而不是电梯，关掉灯，或者不使用空调。
- 可以采取干预措施，如金钱、公众认可等，这可能有助于个人选择节约能源。
为了以更结构化的方式理解问题，建立了一个社会技术框架。
基于智能体的预测模型是使用抽样调查的主观数据建立的。共有140人参与调查，约有40个问题。利用调查的答案，可以预测另外两个问题的答案，然后可以用来进一步预测个人行为。 为了预测这两个问题的值，使用多元回归的变体构建了一个Python模型。这两个问题是：
- 无论身在何处，当我不需要电灯和电器时，我是否会有意识地关掉它们？
- 在正常情况下，我更喜欢走楼梯还是乘电梯到达目的地？
可以根据调查得出的独立值预测答案。人口统计信息短期内不会改变，但有关气候变化和能源节约的观点可能会通过影响、教育或奖励而改变。在这些变化之后，预测模型可以预测个人在建筑节能方面的新行为。
Pypeline是AnyLogic的连接器库，它允许在AnyLogic和Python之间轻松流畅地创建接口。使用了Python最流行的机器学习库scikit-learn。在这个scikit-learn库中，有一些可用的回归方法，它们被用来制作所需的预测模型。 创建这个静态预测模型是为了了解一个人在能源节约方面的行为，基于这个人的人口统计数据。通过仿真使模型动态化。
例如，在教职工和学生关于气候变化的会议上，可能会有一组三个抽象的独立离散变量——本例中的问题值为1到5。 然后也可能有一个因变量——激励某人节约能源，在本例中称为行为S，也取值为1到5。
在会议中，有人可能会被这个话题说服，A或B或C，等等。例如，如果此人受到影响，并将其对问题A的回答从2改为3，那么Python模型将预测S的新值。下面的模型对此进行了说明。
之后，大学的建筑管理者可以了解如何通过使用预测模型推进教育和信息，以实现节能目标。这种预测模型足以做出决策，因为它说明了哪些变量在因变量的预测中具有更大的权重。
调查结果
预测模型有助于在仿真运行期间改变属于该系统的个人特征。
运行多个仿真后，仅基于教育和影响力，能源利用率降低了6-8%。诸如金钱或折扣等干预措施应该会带来类似程度的改善。
这项研究还有一个没有说明的次要影响。这改善了参观大楼人群的总体健康状况，因为他们在走楼梯时消耗了更多的热量。
然而，结果不如本案例研究中描述的一般概念那么重要。该项目尚未完成，未来将添加更多元素和场景。
该使用案例旨在激励AnyLogic用户或团队领导将此想法应用到他们自己的模型中。它还应该激励用户思考在他们的仿真中使用 机器学习模型或统计模型的可能性。
该案例研究由Noorjax咨询公司的Felipe Haro在2021的AnyLogic会议上提出。
这些幻灯片以PDF格式提供。
