面向跨建筑能源预测的不确定性感知迁移学习：面向鲁棒与可扩展的区域级能源管理
摘要
将数据驱动的能源预测扩展到区域规模需要能够在建筑之间进行最小目标域数据且能提供诚实不确定性估计的模型。我们基于 Temporal Fusion Transformer (TFT) 提出了一个面向跨建筑能源预测的不确定性感知迁移学习 (TL) 框架，在刚刚公开的高分辨率真实亚表测数据集上进行评估：挪威阿尔博格大学的一个教育建筑 (source) 和 瑞士 EMPA 的多类型 NEST 建筑 (target)。我们引入 Transfer Robustness Index (TRI)，一种与模型结构无关的度量，用于量化跨域差距的泛化质量。四策略层冻结消融实验显示，Probe-Only 微调（仅更新 455 个输出层参数，总计 806K）实现了最佳的迁移质量 (TRI = 3,097)，超越了全参数微调，表明 TFT 编码器学习到了可迁移的时序表征。蒙特卡罗 Dropout 获得的预测区间覆盖概率为 93.2%，接近名义的 95% 目标。进一步的稀缺数据分析显示，随着目标域数据的增加，性能呈单调改善，为区域能源部署提供了实用指导。
引用
@article{arxiv.2605.29733,
title = {Uncertainty-Aware Transfer Learning for Cross-Building Energy Forecasting: Toward Robust and Scalable District-Level Energy Management},
author = {Shadmehr Zaregarizi and Khashayar Yavari},
journal= {arXiv preprint arXiv:2605.29733},
year = {2026}
}
备注
5 pages, 3 figures, 2 tables. Accepted at BALANCES'26 (6th ACM International Workshop on Big Data and Machine Learning for Smart Buildings and Cities), Banff, Alberta, Canada, June 22, 2026. This is the author's accepted manuscript; final published version DOI will be activated after June 22, 2026