机器学习用于建筑能耗预测的局限性：ASHRAE Great Energy Predictor III Kaggle 竞赛误差分析
机器学习
2022-08-08 v3 计算机与社会
摘要
需要研究机器学习用于建筑能耗预测的局限性及改进潜力。为此，ASHRAE Great Energy Predictor III (GEPIII) Kaggle 竞赛于 2019 年启动。该活动是同类中规模最大的建筑能耗计量机器学习竞赛，有 4,370 名参与者提交了 39,403 次预测。测试数据集包含来自 16 个地点 1,448 栋建筑中 2,380 个计量表的两年每小时整栋建筑读数。本文从竞赛前 50 名解决方案的聚合中分析残差模型误差的各种来源与类型。该分析揭示了使用历史计量、天气与基础建筑元数据等标准模型输入的机器学习局限性。误差按时间框架、行为、量级以及在单栋建筑或整个园区中的发生率进行分类。结果显示机器学习模型在 79.1% 的测试数据上误差处于可接受范围（RMSLE_scaled =< 0.1）。较低量级（范围内）模型误差（0.1 < RMSLE_scaled =< 0.3）出现在 16.1% 的测试数据中。这些误差可利用来自现场与基于网络源的创新训练数据加以修正。较高量级（范围外）误差（RMSLE_scaled > 0.3）出现在 4.8% 的测试数据中，且不太可能被准确预测。
引用
@article{arxiv.2106.13475,
title = {Limitations of machine learning for building energy prediction: ASHRAE Great Energy Predictor III Kaggle competition error analysis},
author = {Clayton Miller and Bianca Picchetti and Chun Fu and Jovan Pantelic},
journal= {arXiv preprint arXiv:2106.13475},
year = {2022}
}