基于高斯过程的方法构建城市建筑能源模型的误差结构
神经元与认知
2025-05-01 v1
摘要
城市建筑能源模型（UBEM）支持城市尺度的能源决策，近期被应用于需要动态输出的场景，如电网管理。然而，其预测能力的足够性尚未得到充分关注，这限制了在缺乏验证实验（VE）的情况下对 UBEM 应用信心的提升。本研究提出一种基于高斯过程（GP）的方法来建模 UBEM 的误差结构，涉及：（1）创建将 VE 条件映射到验证误差的训练数据集，（2）拟合 GP 模型，（3）使用交叉验证评估预测准确性和不确定性，同时对未知情景进行外推。应用于法国布拉尼亚区的供热网络及其 UBEM DIMOSIM 时，GP 模型有效地捕捉了 UBEM 误差及不确定性的内在结构。结果揭示了模型性能与应用条件（如负荷变化和天气）之间的关系，显示在估计域内模型误差以及外推到验证域之外具有巨大的潜力。关键创新： 使用 GP 方法量化 UBEM 的误差结构， 将 UBEM 的预测能力外推到未经验证的建筑物， 发现验证实验（VE）条件与 UBEM 性能之间的不同相互作用模式。实际意义：本文使 UBEM 开发者能够更全面地了解 UBEM 的性能，帮助实践者优先安排测量计划并更好地设计后续验证实验。
引用
@article{arxiv.2504.21406,
title = {Mapping the Human Brain from the Prenatal Period to Infancy Using 3D Magnetic Resonance Imaging},
author = {Arnaud Cachia and Jean-François Mangin and Jessica Dubois},
journal= {arXiv preprint arXiv:2504.21406},
year = {2025}
}