基于时间序列基础模型的建筑能源系统概率预测
机器学习
2025-06-03 v1
摘要
建筑能源系统中的决策严重依赖于相关时间序列模型的预测准确性。在缺乏目标建筑大量数据的场景下，基础模型 (FMs) 是一项极具前景的技术，能够利用来自广泛且多样化预训练数据集的先验知识，构建用于决策工具的准确概率预测器。本文研究了时间序列基础模型 (TSFMs) 在建筑能源预测中的适用性及微调策略。我们利用商业净零能耗建筑的真实数据，分析了全量微调与参数高效微调方法（特别是低秩适配，LoRA），以捕捉房间占用率、碳排放、插座负载和 HVAC 能耗等信号。我们的分析表明，TSFMs 的零样本预测性能通常欠佳。为解决这一缺陷，我们证明，即使历史数据有限，采用全量微调或参数高效微调也能显著提升预测准确性。值得注意的是，使用低秩适配 进行微调在不牺牲准确性的前提下大幅降低了计算成本。此外，在不同建筑区域和季节条件下，微调后的 TSFMs 在准确性、鲁棒性和泛化能力上始终优于最先进的深度预测模型（例如，时序融合 Transformer）。这些结果突显了 TSFMs 在实际且受数据限制的建筑能源管理系统中的有效性，从而在追求能源效率和可持续性的过程中实现更优的决策。
引用
@article{arxiv.2506.00630,
title = {Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models},
author = {Young Jin Park and Francois Germain and Jing Liu and Ye Wang and Toshiaki Koike-Akino and Gordon Wichern and Navid Azizan and Christopher R. Laughman and Ankush Chakrabarty},
journal= {arXiv preprint arXiv:2506.00630},
year = {2025}
}
备注
Preliminary version appeared in NeurIPS TSALM Workshop: https://neurips.cc/virtual/2024/103019