使用生成对抗网络 (GANs) 提高建筑性能模型的预测精度
机器学习
2019-06-17 v2 机器学习
摘要
建筑设计与其运行之间的建筑性能差异是导致许多新设计未能实现其目标和目的的原因之一。导致这种差异的主要因素之一是居住者行为。居住者对新设计的反应受多种因素影响。现有的建筑性能模型 (BPMs) 在开发时忽略或仅部分处理了这些因素（称为情境因素）。为了潜在地减少这种差异并提高 BPMs 的预测精度，本文提出了一种使用生成对抗网络 (GANs) 学习混合模型的计算框架，将现有 BPMs 与新设计中居住者行为对情境因素的知识适当结合。沉浸式虚拟环境 (IVEs) 实验用于获取此类行为的数据。性能目标用于指导现有 BPMs 与居住者行为知识的适当结合。所获得的最终模型称为增强 BPM。展示了两个与居住者照明行为相关的不同实验作为案例研究。结果表明，在实现指定的性能目标方面，增强 BPMs 显著优于现有的 BPMs。该案例研究证实了该计算框架在设计阶段提高 BPMs 预测精度的潜力。
引用
@article{arxiv.1906.05767,
title = {Improving Prediction Accuracy in Building Performance Models Using Generative Adversarial Networks (GANs)},
author = {Chanachok Chokwitthaya and Edward Collier and Yimin Zhu and Supratik Mukhopadhyay},
journal= {arXiv preprint arXiv:1906.05767},
year = {2019}
}
备注
9 pages, 4 figures, The 2019 International Joint Conference on Neural Networks (IJCNN)