MARL：面向城市建筑能耗建模的多尺度原型表征学习
机器学习
2023-10-03 v1 计算机视觉与模式识别
人机交互
摘要
建筑原型作为建筑存量代表性模型，对于城市建筑能耗建模中的精确能耗模拟至关重要。当前广泛采用的建筑原型以全国尺度构建，可能忽略了局部建筑几何特异性的影响。我们提出多尺度原型表征学习（MARL），一种利用表征学习从特定建筑存量中提取几何特征的方法。MARL 构建于 VQ-AE 之上，对建筑底面进行编码并将几何信息提纯为受多个建筑下游任务约束的潜向量。这些定制表征被证明对进一步的聚类和建筑能耗建模具有价值。我们算法的优势在于其针对不同建筑底面尺寸的适应性、跨多尺度区域自动生成的能力，以及在邻里与局部生态中保留几何特征的能力。在涵盖洛杉矶县五个区域的研究中，我们表明 MARL 在性能上超越了常规方法及 VQ-AE 提取的原型。结果表明，几何特征嵌入显著提升了能耗估计的准确性与可靠性。代码、数据集及训练模型公开可用：https://github.com/ZixunHuang1997/MARL-BuildingEnergyEstimation
引用
@article{arxiv.2310.00180,
title = {MARL: Multi-scale Archetype Representation Learning for Urban Building Energy Modeling},
author = {Xinwei Zhuang and Zixun Huang and Wentao Zeng and Luisa Caldas},
journal= {arXiv preprint arXiv:2310.00180},
year = {2023}
}
备注
*Equal Contribution