用于住宅建筑气候控制的广义在线迁移学习
系统与控制
2016-10-14 v1 机器学习
摘要
本文提出了一个用于改进住宅建筑温度预测的在线迁移学习框架。在迁移学习中，在目标域（例如，数据有限的房屋）的可用数据集上训练的预测模型，可以通过使用来自相似源域（例如，数据丰富的房屋）生成的数据来改进。考虑到还需要能够在线训练的预测模型（例如，作为模型预测控制实现的一部分），本文引入了广义在线迁移学习算法（GOTL）。它采用可用预测器（即目标预测器和源预测器）的加权组合，并保证收敛至最佳加权预测器。此外，迁移成分分析（TCA）的使用允许使用不止一个源域，因为它可以促进在多个源域（房屋）上拟合单一模型。这使得 GOTL 能够从多个源域迁移知识。我们进一步通过住宅建筑气候控制实验验证了结果，并表明 GOTL 可以在给定舒适度水平下带来不可忽视的节能效果。
引用
@article{arxiv.1610.04042,
title = {Generalized Online Transfer Learning for Climate Control in Residential Buildings},
author = {Thomas Grubinger and Georgios Chasparis and Thomas Natschlaeger},
journal= {arXiv preprint arXiv:1610.04042},
year = {2016}
}