通过合成数据提高室内温度预测效率——低数据环境下的实践
机器学习
2024-06-10 v1 人工智能
摘要
室内温度预测对于实现 HVAC 系统的高效控制至关重要。在该任务中，数据可得性有限，作为大多数可用数据是在标准运行期间获取的，其中排除了极端情形和瞬态制度，例如重大温度升降。获取此类数据需要显著的能源消耗和专门的设施，从而限制了可用数据的数量和多样性。然而，成本约束使得无法持续年均获取数据。为此，我们研究了利用最先进 AI 方法进行合成数据生成的数据增强技术的有效性。我们受实际和实验动机启发，探讨了真实数据与合成数据的融合策略，以提高预测模型的性能。该方法减轻了持续获取大量时间序列数据（特别是建筑物中重复加热和制冷循环的情境）的需求。我们在评估中 1) 独立评估合成数据生成器的性能，特别关注最先进 AI 方法；2) 测量将合成数据纳入后续预测任务中的效用，其中我们使用简单模型进行两种不同情境：1) 检查一种将真实数据和合成数据相结合以扩充训练数据集的增强技术；2) 深入研究利用合成数据解决数据集不平衡的问题。我们的结果突显了合成数据增强在提高预测准确度、减轻训练方差方面所能实现的潜力。通过实验，我们展示了在低数据环境中整合合成数据可实现的显著改进，从而为更健壮的预测模型铺平了道路。
引用
@article{arxiv.2406.04890,
title = {Enhancing Indoor Temperature Forecasting through Synthetic Data in Low-Data Environments},
author = {Zachari Thiry and Massimiliano Ruocco and Alessandro Nocente and Michail Spitieris},
journal= {arXiv preprint arXiv:2406.04890},
year = {2024}
}