适应变化：建筑热力动力学模型中持续学习与迁移学习的比较
系统与控制
2025-12-12 v2 机器学习
系统与控制
摘要
迁移学习（Transfer Learning, TL）是当仅有有限数据时建模建筑热力动力学最有效的方法之一。TL方法使用预训练模型并微调以适应特定目标建筑。然而，随着收集更多运行测量数据，如何在初始微调后继续更新模型尚不明了。当建筑动力学发生变化（例如翻修或 occupancy 变化）时，这一挑战更为复杂。在机器学习文献中，持续学习（Continual Learning, CL）方法用于更新变化系统的模型。TL方法也可通过在每次更新步骤中重用预训练模型并使用新测量数据进行微调来解决此问题。目前仍缺乏对如何在建筑运行期间整合新测量数据以提高预测精度并应对概念漂移（动力学变化）的综合研究。因此，本研究比较了Several CL 和 TL 策略，以及从头训练的模型，用于建筑运行期间的热力动力学建模。使用代表中欧单户住宅的5-7年模拟数据进行评估，包括来自翻修和 occupancy 变化的概念漂移情景。我们提出的CL策略（季节性记忆学习，Seasonal Memory Learning）在保持低计算复杂度的同时，优于现有CL和TL方法，准确性提升28.1%（无概念漂移）和34.9%（有概念漂移）。
引用
@article{arxiv.2508.21615,
title = {Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts},
author = {Fabian Raisch and Max Langtry and Felix Koch and Ruchi Choudhary and Christoph Goebel and Benjamin Tischler},
journal= {arXiv preprint arXiv:2508.21615},
year = {2025}
}
备注
Currently under review