从 RNN 到基础模型：商业建筑能源消耗的实证研究
机器学习
2024-11-27 v2
摘要
准确的商业建筑短期能源消耗预测对于智能电网运营至关重要。虽然智能表计和深度学习模型能够利用来自多个建筑的历史数据进行预测，但来自不同建筑的数据异构性会降低模型性能。在保持数据集规模和模型不变的情况下，增加数据集异构性对后训练预测性能的影响尚未得到充分研究。我们使用 ComStock 数据集，该数据集为美国商业建筑提供合成能源消耗数据。两个被精心挑选的子集在大小和地区上相同，但在建筑类型多样性方面存在差异，用于评估各种时间序列预测模型的性能，包括经过调优的开源基础模型（FMs）。结果表明，数据集异构性和模型架构对后训练预测性能的影响大于参数数量。此外，尽管计算成本更高，经调优的 FMs 在与从头训练的基础模型相比时仍显示出竞争力的性能。
引用
@article{arxiv.2411.14421,
title = {From RNNs to Foundation Models: An Empirical Study on Commercial Building Energy Consumption},
author = {Shourya Bose and Yijiang Li and Amy Van Sant and Yu Zhang and Kibaek Kim},
journal= {arXiv preprint arXiv:2411.14421},
year = {2024}
}
备注
NeurIPS 2024 Workshop on Time Series in the Age of Large Models