面向实时建筑能耗模拟的气象数据预处理
机器学习
2020-11-20 v1 机器学习
信号处理
摘要
本研究提出了一个用于实测气象数据质量控制的框架，包括异常检测与缺失值填补。气象数据是建筑性能模拟的基本输入，其中异常值会破坏结果，而缺失数据会导致模拟过程意外终止。传统上，气象数据中缺失值的填补通过周期或线性插值进行。然而，当缺失值连续超过多个小时时，传统方法的准确性尚存争议。本研究展示了与其他监督学习方法相比，神经网络如何提高数据插补的准确性。该框架通过利用意大利米兰附近的气象站网络，预测某观测站缺失的温度和相对湿度数据进行了验证。结果表明，所提方法能够通过准确且快速的质控促进实时建筑模拟。
引用
@article{arxiv.2011.09733,
title = {Preparing Weather Data for Real-Time Building Energy Simulation},
author = {Maryam MeshkinKiya and Riccardo Paolini},
journal= {arXiv preprint arXiv:2011.09733},
year = {2020}
}
备注
eSIM2021 accepted article