La calefacción, ventilación y aire acondicionado (HVAC) es la mayor fuente de consumo de energía residencial. Los datos de los sensores de ocupación se pueden utilizar para el control del HVAC, ya que indican el número de personas en el edificio. El HVAC y los sensores forman un sistema ciberfísico típico (CPS). En este documento, nuestro objetivo es construir una plataforma de emulación basada en hardware para estudiar las características de los datos de ocupación, que se pueden extraer aún más utilizando modelos de aprendizaje automático. En particular, proponemos dos emuladores basados en hardware para investigar el uso de interfaces de comunicación cableadas/inalámbricas para el control del CPS del edificio basado en sensores de ocupación, y el uso de aprendizaje profundo para predecir el consumo de energía del edificio con los datos de los sensores. Nuestra hipótesis es que el consumo de energía del edificio puede preverse utilizando los datos de ocupación recopilados por los sensores, y cuestionamos qué tipo de modelo de predicción debería utilizarse para predecir con precisión la carga energética. Otra hipótesis es que se podría construir una plataforma de hardware/software en laboratorio para emular el proceso de detección de ocupación. Los algoritmos de aprendizaje automático pueden utilizarse para analizar la carga energética basada en los datos de detección. Para probar el emulador, se utilizan los datos de ocupación de los sensores para predecir el consumo de energía. Se discutirá el esquema de sincronización entre los sensores y el servidor de HVAC. Hemos construido dos plataformas de emulación de hardware/software para investigar las estrategias de integración de sensores/HVAC, y utilizamos un modelo de aprendizaje profundo mejorado, que tiene memoria a corto y largo plazo (Seq2Seq LSTM) con un modelo de atención para predecir el consumo de energía del edificio preservando los patrones intrínsecos. Debido a que se capturan las dependencias temporales de largo alcance, los modelos Seq2Seq pueden proporcionar una mayor precisión utilizando arquitecturas LSTM con codificador y decodificador. Mientras tanto, las LSTM pueden capturar los patrones temporales y espaciales de los datos de series temporales. El modelo de atención puede resaltar la información de entrada más relevante en la predicción de energía al asignar los pesos de atención. La sobrecarga de comunicación entre los sensores y el servidor de control de HVAC también puede aliviarse a través del mecanismo de atención, que puede ignorar automáticamente la información irrelevante y amplificar la información relevante durante el entrenamiento de CNN. Nuestros experimentos y análisis de rendimiento muestran que, en comparación con la red neuronal LSTM tradicional, el rendimiento del método propuesto tiene una precisión de predicción un 30% mayor.