持续学习分布外时空数据以实现鲁棒能源预测

预测建筑能源使用对于促进可持续性和减少浪费至关重要，因为它使建筑管理者能够优化能源消耗并降低成本。在诸如 COVID-19 大流行等异常时期，这一重要性被放大，这些时期扰乱了 occupancy 模式并使准确预测更具挑战性。由于 occupancy 模式和能源使用行为的变化，在异常时期预测能源使用是困难的。其主要原因之一是 occupancy 模式分布的偏移，许多人居家办公或学习。这产生了对能够适应变化中 occupancy 模式的新预测方法的需求。在线学习已成为应对这一挑战的有前景的解决方案，因为它使建筑管理者能够适应 occupancy 模式的变化并相应调整能源使用。通过在线学习，模型可以用每个新数据点增量更新，使它们能够实时学习和适应。另一种解决方案是使用人类移动性数据作为 occupancy 的代理，利用移动设备的普及来跟踪移动模式并推断 occupancy 水平。人类移动性数据在此背景下有用，因为它提供了一种不依赖传统传感器或手动数据收集方法来监测 occupancy 模式的方式。我们使用来自六栋建筑的数据进行了广泛实验，以测试这些方法的有效性。然而，在现实世界中部署这些方法存在若干挑战。