طراحي سيستم خبره به‎منظور تحليل رفتار مصرف انرژي كاركنان به‎كمك مدل‎سازي راف

Designing an Expert System for Analyzing the Energy Consumption Behavior of Employees in Organizations Using Rough Set Theory

شناخت رفتارهاي مصرف انرژي و تغيير آنها، به دانش گسترده‎اي درباره محرك‎هاي رفتار و بيان اين دانش به‎صورت برنامه‎هاي مداخله‎گر موفق نياز دارد. در اين مقاله، رفتار مصرف انرژي كاركنان در سازمان، به‎كمك مدل‎سازي راف بررسي شده است. به اين منظور پس از انتخاب 13 مشخصه موقعيتي (شامل شاخص‎هاي جمعيتي، ارزشي، نگرشي و سازماني كاركنان) و يك مشخصه تصميم (رفتار مصرف انرژي روشنايي كاركنان)، سيستم اطلاعاتي راف ايجاد شد. 482 نفر از كاركنان شاغل در 37 ساختمان اداري وزارت نفت، به‎صورت تصادفي انتخاب شدند و مدل‎سازي راف براي آنها به اجرا درآمد. با تلفيق روش‎هاي مختلف گسسته‎سازي داده، توليد بي‎زايده و توليد قوانين و به‎كمك نرم‎افزار ROSETTA، نُه مجموعه قانون توليد شد. نتايج اين پژوهش نشان مي‎دهد از بين 13 مشخصه موقعيتي، چهار مشخصه شهروند سازماني، رضايتمندي، نوع نگاه به رفتار و امكان كنترل روشنايي، اصلي‎ترين مشخصه‎هاي سيستم‎اند و در تمام بي زايده هاي توليدشده، وجود داشتند. پس از اعتبارسنجي مدل‎هاي مختلف، مدل گسسته‎كردن دستي داده‎ها كه بي زايده‎هاي آن به‎كمك الگوريتم ژنتيك و با رويكرد ORR استخراج شدند، بالاترين دقت و اعتبار را نشان دادند.

Understanding and changing the energy consumption behavior requires extensive knowledge about the motives of behavior. In this research, Rough Set Theory is used to investigate the energy consumption behavior of employees in organizations. So, thirteen condition attributes and a decision attribute are selected and the decision system is created. Condition attributes include demographic, values, attitudes and organizational characteristics of employees and decision attribute relates to energy consumption behavior. 482 employees are selected randomly from 37 office buildings of ministry of Petroleum and rough modeling are performed for them. By combining different methods of discrediting, reduction algorithms and rule generating, nine models are made using ROSETTA software. The results show that four of the 13 condition attributes, involving “organizational citizenship”, “satisfaction”, “attitude toward behavior” and “lighting control” are selected as the main features of the system. After cross validation of the various models, the model of manually discrediting using genetic algorithms and ORR approach to extract reducts has the most accuracy and selected as the most reliable model.