基于自编码器神经网络的室内环境数据时间序列重建
机器学习
2021-01-22 v2 机器学习
摘要
随着建筑中安装的测量仪表数量增加，可用于开发数据驱动模型以支持和优化建筑运行的数据时间序列也日益增多。然而，建筑数据集常存在错误与缺失值，近期研究认为这是所提模型性能的主要限制因素之一。出于解决建筑运行中数据缺失问题的需要，本文提出一种数据驱动方法来填补这些缺口。在本研究中，训练了三种不同的自编码器神经网络，以重建德国亚琛一座办公建筑数据集中缺失的短期室内环境数据时间序列。该数据集来自2014至2017年间及期间对84个不同房间长达四年的监测活动。这些模型适用于房间自动化获得的各类时间序列，如室内空气温度、相对湿度和数据流。结果表明，所提方法优于经典数值方法，并分别以平均RMSE 0.42 {\deg}C、1.30 %和78.41 ppm重建相应变量。
引用
@article{arxiv.2009.08155,
title = {Indoor environment data time-series reconstruction using autoencoder neural networks},
author = {Antonio Liguori and Romana Markovic and Thi Thu Ha Dam and Jérôme Frisch and Christoph van Treeck and Francesco Causone},
journal= {arXiv preprint arXiv:2009.08155},
year = {2021}
}
备注
Accepted in Building and Environment