| Abstract: | Deze masterproef richt zich op het ontwerpen van een intelligent model om de uitdagingen aan te pakken die gepaard gaan met de ambitie van de Europese Unie om tegen 2050 een aanzienlijke vermindering van energieverbruik en CO2-uitstoot te realiseren. Dit wil men bereiken door jaarlijks 90.000 huizen te renoveren. De uitdaging ligt niet alleen in het renoveren van de huizen zelf, maar ook in het stimuleren van huiseigenaren om deze renovaties daadwerkelijk uit te voeren. Centraal in de scriptie staat de ontwikkeling van een intelligent model dat gebruikmaakt van geavanceerde algoritmen en data-georiënteerde benaderingen om optimale renovatiepaden te suggereren. Deze paden bestaan uit een reeks aanbevolen renovatiestappen en de verwachte impact op het energieprestatiecertificaat (EPC) van de woning. Het is belangrijk dat het model een duidelijk stappenplan biedt aan particulieren om hen zo aan te sporen te renoveren. De oplossing in deze masterproef is gerealiseerd aan de hand van een ensemble van machine learning-modellen en andere statistische methoden. Via een machine learning-model kunnen de te nemen renovatiestappen bepaald worden om te optimaliseren naar EPC-label A. Via een statistische benadering kan de eerste te nemen stap bepaald worden. Op basis van deze twee zaken kan er een Markov-keten opgesteld worden. Via die keten kunnen simulaties worden uitgevoerd om het optimale renovatiepad te bepalen op basis van de huidige staat van de woning dat ervoor zorgt dat het huis na het volgen van de stappen een EPC-score A heeft. Het resultaat is grondig getest en gevalideerd via cross validatie en vertoont gunstige resultaten met een gemiddelde van 92% nauwkeurigheid. Echter, de validatie is uitgevoerd op synthetische data. Om de betrouwbaarheid van het model nauwkeurig te kunnen inschatten, is een validatie op basis van echte data noodzakelijk. |
|---|