AI-DRIVEN ANALYSIS OF USER BEHAVIOR FOR ENERGY PERFORMANCE ASSESSMENT IN RESIDENTIAL BUILDINGS IN KSA. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Bushra Jan_MS Thesis_eprints.pdf Restricted to Repository staff only until 24 May 2026. Download (8MB)

Arabic Abstract

تستكشف هذه الدراسة كيف يؤثر سلوك المستخدم على استهلاك الطاقة في المباني السكنية في المملكة العربية السعودية، وتبحث في تطبيق تقنيات الذكاء الاصطناعي وتعلم الآلة للتنبؤ بهذه السلوكيات وتحسينها. ومن خلال دمج التحليل الإحصائي، ونماذج تعلم الآلة، والرؤى النوعية، تقدم الدراسة فهماً شاملاً للعوامل التي تشكّل أنماط استهلاك الطاقة في القطاع السكني في المملكة. وقد أخذت الدراسة في الاعتبار مجموعة واسعة من العوامل، بما في ذلك الخصائص الاجتماعية والديموغرافية، وسمات المبنى، والجوانب السلوكية. وكان الهدف الأول من الدراسة هو تحديد وتحليل السلوكيات الحاسمة للمستخدمين التي تؤثر على استهلاك الطاقة. ومن خلال مراجعة بيبليومترية ومنهجية للأدبيات، واستطلاع للرأي، وتحليل إحصائي، ونماذج تعلم آلي، تم تحديد سلوكيات رئيسية مثل إعدادات منظم الحرارة، واستخدام أجهزة التكييف، وعادات الإضاءة كسلوكيات ذات تأثير نسبي. ومن بين هذه السلوكيات، برز استخدام التكييف وإعدادات منظم الحرارة كأكثر المتنبئات تأثيراً في الفئة السلوكية. ومع ذلك، وُجد أن خصائص المبنى، وخاصة مساحة الأرضية، هي أقوى مؤشر عام لاستهلاك الطاقة، مما يبرز أهمية العوامل الهيكلية في إدارة الطاقة. وتركز الهدف الثاني على تطوير نموذج تنبؤي لاستهلاك الطاقة قائم على الذكاء الاصطناعي. وقد حققت النماذج، بما في ذلك Ridge و Lasso و Random Forest وGradient Boosting، قدرة تنبؤية متوسطة، حيث بلغ معامل التحديد R² حوالي 0.27 في نماذج الانحدار، ومجال تحت المنحنى AUC حوالي 0.73 في التصنيف. وعلى الرغم من أن هذه المؤشرات قد تبدو متواضعة، فإنها غير مفاجئة بالنظر إلى طبيعة البيانات السلوكية، حيث تتأثر أفعال البشر بعوامل سياقية معقدة وغالباً غير مرصودة. كما أن الاعتماد على إجابات الاستبيانات الذاتية يُدخل درجة من الضوضاء قد تؤثر على دقة النماذج. وعلى الرغم من هذه القيود، فقد تم تصميم النماذج لتُركز على قابلية التفسير والتعميم أكثر من مجرد تحسين الدقة التنبؤية. وقد أظهرت تحليلات أهمية السمات وتقسيم السلوكيات باستخدام خوارزمية K-Meansالعوامل الرئيسية التي تؤثر على أنماط استخدام الطاقة، وكشفت عن نماذج أسرية مميزة يمكن أن توجه التدخلات المستهدفة. أما الهدف الثالث فقد سعى إلى صياغة استراتيجيات قابلة للتنفيذ لتحسين سلوك المستخدمين. وتوصي الدراسة بالتركيز على تحسين نظم التبريد، وتشجيع استخدام الأجهزة الموفرة للطاقة، وتعزيز سلوكيات مثل الإدارة المحسنة لمنظم الحرارة وتقليل استخدام التكييف. بالإضافة إلى ذلك، فإن معالجة القيود الاقتصادية، والمواقف الثقافية، والحواجز المؤسسية يعد أمراً ضرورياً لتعزيز السلوكيات المستدامة في استخدام الطاقة. بشكل عام، تسهم هذه الدراسة في فهم سلوك المستخدم في استهلاك الطاقة السكني، وتُبرز دور كل من العوامل السلوكية والهيكلية في تشكيل استخدام الطاقة. وتُقدّم الدراسة رؤى قيّمة لصنّاع السياسات والمتخصصين في إدارة الطاقة في المملكة العربية السعودية والمناطق المشابهة، من خلال توفير إطار قائم على البيانات لاستراتيجيات أكثر استهدافاً وفعالية في الحفاظ على الطاقة.

English Abstract

This study explores how user behavior influences energy consumption in residential buildings in Saudi Arabia (KSA) and investigates the application of artificial intelligence (AI) and machine learning (ML) techniques to predict and optimize these behaviors. By integrating statistical analysis, machine learning models, and qualitative insights, the research provides a comprehensive understanding of the factors that shape energy consumption patterns in KSA’s residential sector. The study considered a wide range of factors, including sociodemographic characteristics, building features, and behavioral aspects. The first objective of the study was to identify and analyze critical user behaviors affecting energy consumption. Through a combination of bibliometric and systematic literature reviews, a survey, statistical analysis, and machine learning models, key behaviors such as thermostat settings, air conditioning (AC) usage, and lighting habits were identified as relatively influential.Among these, AC usage and thermostat settings emerged as the most influential predictors within the behavioral category. However, building characteristics, particularly the floor area feature, were found to be the strongest overall predictor of energy consumption, emphasizing the importance of structural factors in energy management. The second objective focused on developing an AI-driven predictive model for energy consumption. Models including Ridge, Lasso, Random Forest, and Gradient Boosting achieved modest predictive power, with R² ~0.27 for regression and AUC ~0.73 for classification. While these performance metrics may appear modest, they are not unexpected given the nature of behavioral data, where human actions are shaped by complex, often unobserved contextual factors. Additionally, the reliance on self-reported survey responses introduces a degree of noise that can affect model precision. Despite these limitations, the models were designed to emphasize interpretability and generalizability over purely optimizing predictive accuracy. Feature importance analysis and behavioral segmentation using K-Means clustering highlighted key factors driving energy use patterns and revealed distinct household archetypes that can guide targeted interventions. The third objective aimed to craft actionable strategies for optimizing user behavior. The study recommends focusing on optimizing cooling systems, promoting energy-efficient appliances, and encouraging behaviors such as improved thermostat management and reduced AC usage. Additionally, addressing economic constraints, cultural attitudes, and institutional barriers is essential for promoting sustainable energy behaviors. Overall, this research contributes to the understanding of user behavior in residential energy consumption and highlights the role of both behavioral and building characteristics in shaping energy use. The study offers valuable insights for policymakers and energy management professionals in Saudi Arabia and similar regions, providing a data-driven framework for more targeted and effective energy conservation strategies.

Item Type:	Thesis (Masters)
Subjects:	Environmental Architectural Engineering Research
Department:	College of Design and Built Environment > Architectural Engineering and Construction Management
Committee Advisor:	Asif, Muhammad
Committee Members:	Mohsen, Osama and Alhazmi, Mansour
Depositing User:	BUSHRA JAN (g202213820)
Date Deposited:	25 May 2025 07:53
Last Modified:	25 May 2025 07:53
URI:	http://eprints.kfupm.edu.sa/id/eprint/143410