时间序列基础模型能否胜任建筑能源管理任务？

建筑能源管理（BEM）任务需要处理和学习各种时间序列数据。现有解决方案依赖于针对特定任务和数据的定制模型来执行这些任务，限制了其更广泛的适用性。受大型语言模型（LLMs）变革性成功的启发，在多样化数据集上训练的时间序列基础模型（TSFMs）有潜力改变这一现状。如果TSFMs能够达到类似于LLMs的跨任务和跨情境的泛化水平，它们可以从根本上解决BEM中普遍存在的可扩展性挑战。为了了解它们目前的水平，我们从四个维度评估了TSFMs：（1）零样本单变量预测的泛化能力，（2）带协变量的热行为建模预测，（3）用于分类任务的零样本表示学习，以及（4）对性能指标和不同运行条件的鲁棒性。我们的结果表明，TSFMs表现出有限的泛化能力，在未见过的数据集和模态上的单变量预测仅略优于统计模型。同样，在TSFMs中加入协变量并不能带来性能提升，其性能仍然不如使用协变量的传统模型。虽然TSFMs能为下游分类任务生成有效的零样本表示，但在统计模型进行测试时拟合的情况下，它们在预测方面可能仍不如统计模型。此外，TSFMs的预测性能对评估指标敏感，并且在更复杂的建筑环境中比统计模型表现更差。这些发现强调了TSFM设计需要有针对性的改进，特别是处理协变量以及将上下文和时间动态纳入预测机制，以开发更具适应性和可扩展性的BEM解决方案。