BuildSTG：基于时空图神经网络的多建筑能耗负荷预测方法
机器学习
2025-07-29 v1 应用统计
摘要
由于大量运营数据可用，数据驱动的方法在预测建筑能耗负荷方面显示出强大的能力。具有相似特征的建筑常常共享能源模式，这体现在其运营数据中的空间依赖性，而传统预测方法难以捕获。这为此，我们提出一种基于时空图神经网络的多建筑预测方法，包括图表示、图学习和解释。首先，基于建筑特征和环境因素构建图。接下来，开发一种用于能源预测的多层图卷积架构带注意力机制。最后，引入一种解释优化图结构的方法。在 Building Data Genome Project 2 数据集上的实验确认了优于 XGBoost、SVR、FCNN、GRU 和 Naive 等基线方法的优越性能，突出了该方法在捕获有意义的建筑相似性和空间关系方面的鲁棒性、泛化性和可解释性。
引用
@article{arxiv.2507.20838,
title = {BuildSTG: A Multi-building Energy Load Forecasting Method using Spatio-Temporal Graph Neural Network},
author = {Yongzheng Liu and Yiming Wang and Po Xu and Yingjie Xu and Yuntian Chen and Dongxiao Zhang},
journal= {arXiv preprint arXiv:2507.20838},
year = {2025}
}