ALDI++：面向建筑能耗负荷曲线的自动无参数异常与离群点检测
机器学习
2023-02-15 v2 计算工程、金融与科学
摘要
数据驱动的建筑能耗预测是测量与验证、建筑基准测试和建筑到电网交互过程的重要组成部分。ASHRAE 大能源预测器 III（GEPIII）机器学习竞赛使用了一个庞大的计量数据集，以众包方式征集最准确的大型建筑能耗预测机器学习工作流。获胜方案的一个重要组成部分是移除异常训练数据的预处理阶段。当代预处理方法侧重于过滤统计阈值或需要训练数据和多个超参数的深度学习方法。一种名为 ALDI（自动负荷曲线异常识别，Automated Load profile Discord Identification）的近期方法利用矩阵轮廓（matrix profile）识别这些异常，但该技术仍需要用户定义的参数。我们开发了 ALDI++，一种基于先前工作的方法，它绕过了用户定义的参数并利用异常相似性。我们将 ALDI++ 与统计阈值、变分自编码器（variational auto-encoder）和原始 ALDI 作为基线，在异常分类和能源预测场景中进行评估。我们的结果表明，虽然相对于原始方法的分类性能提升微乎其微，但 ALDI++ 有助于实现最佳预测误差，较获胜团队方法提升 6%，且计算时间减少为六分之一。
引用
@article{arxiv.2203.06618,
title = {ALDI++: Automatic and parameter-less discord and outlier detection for building energy load profiles},
author = {Matias Quintana and Till Stoeckmann and June Young Park and Marian Turowski and Veit Hagenmeyer and Clayton Miller},
journal= {arXiv preprint arXiv:2203.06618},
year = {2023}
}
备注
10 pages, 5 figures, 3 tables