利用图像技术填补时间序列缺口：面向建筑能耗数据插补的多维上下文自编码器方法
机器学习
2023-10-10 v2
摘要
近几十年来，受物联网（IoT）设备增长及更多能源数据可用的驱动，建筑能耗预测与管理变得愈发重要。然而，能耗数据常来自多源且可能不完整或不一致，这会阻碍能源系统的准确预测与管理，并限制数据在决策与研究中的效用。为解决此问题，既往研究聚焦于插补能耗数据中的缺失缺口，包括随机与连续缺口。该领域主要挑战之一在于缺乏涵盖多种建筑与计量表类型的基准数据集上的验证，难以准确评估不同插补方法性能。另一挑战在于缺乏针对能耗数据缺失缺口的先进插补方法应用。现代图像修复方法，如部分卷积（PConv），已在计算机视觉领域广泛使用，并证明能有效处理复杂缺失模式。为研究基于图像的深度学习方法能否惠及能耗数据插补，本研究使用由全球1479个电表组成的最大公开整栋建筑能耗数据集之一作为基准，对比了PConv、卷积神经网络（CNNs）与周持续法。结果表明，相较于原始时间序列的CNN（1D-CNN）与周持续法，将能耗数据重塑为二维的神经网络模型将均方误差（MSE）降低了10%至30%。先进深度学习方法部分卷积（PConv）较2D-CNN进一步降低MSE达20–30%，并在所有模型中表现突出。
引用
@article{arxiv.2307.05926,
title = {Filling time-series gaps using image techniques: Multidimensional context autoencoder approach for building energy data imputation},
author = {Chun Fu and Matias Quintana and Zoltan Nagy and Clayton Miller},
journal= {arXiv preprint arXiv:2307.05926},
year = {2023}
}