CaberNet: 用于跨领域暖通空调能耗预测的因果表示学习
机器学习
2025-12-15 v3 人工智能
摘要
跨领域暖通空调（HVAC）能耗预测对于可扩展的建筑能源管理至关重要，特别是因为为每栋新建筑收集大量标注数据既昂贵又不切实际。然而，由于不同建筑、气候区域和季节模式之间数据的稀缺性和异质性，这项任务仍然极具挑战性。特别是，位于不同气候区域的建筑引入了变异性，这常常导致现有方法过拟合虚假相关性、严重依赖专家干预或牺牲数据多样性。为解决这些局限性，我们提出了CaberNet，一种因果且可解释的深度序列模型，它学习不变（马尔可夫毯）表示以实现鲁棒的跨领域预测。CaberNet以纯数据驱动的方式，无需任何先验知识，集成了：i) 一个使用自监督伯努利正则化训练的全局特征门控，以区分优越的因果特征与较差的特征；以及ii) 一种领域级训练方案，该方案平衡领域贡献、最小化跨领域损失方差并促进潜在因子独立性。我们在从三个位于气候多样化城市的建筑收集的真实世界数据集上评估了CaberNet，它始终优于所有基线，与最佳基准相比，归一化均方误差（NMSE）降低了22.9%。我们的代码可在https://github.com/SusCom-Lab/CaberNet-CRL获取。
引用
@article{arxiv.2511.06634,
title = {CaberNet: Causal Representation Learning for Cross-Domain HVAC Energy Prediction},
author = {Kaiyuan Zhai and Jiacheng Cui and Zhehao Zhang and Junyu Xue and Yang Deng and Kui Wu and Guoming Tang},
journal= {arXiv preprint arXiv:2511.06634},
year = {2025}
}
备注
Accepted at ACM e-Energy 2026