用于可持续设计中建筑能耗预测的零样本学习

2030年挑战旨在到2030年使所有新建建筑和重大改造项目实现碳中和。应对这一挑战的潜在解决方案之一是通过创新的可持续设计策略。为了制定此类策略，在设计阶段就理解各种建筑因素如何影响建筑能耗至关重要。近年来人工智能（AI）的发展为通过从可用数据中学习建筑因素间的复杂关系来推进可持续设计提供了前所未有的机遇。然而，基于AI的解决方案需要丰富的训练数据集才能达到良好的预测精度。不幸的是，在许多实际应用中，获取训练数据集既耗时又昂贵。受这些原因启发，我们致力于解决准确预测新型或未知建筑类型（即那些没有任何训练数据的建筑类型）能耗的问题。我们提出了一种基于零样本学习（ZSL）的新方法来解决此问题。我们的方法利用来自建筑能耗建模专家的辅助信息来预测给定新/未知建筑类型最接近的建筑类型。然后，我们使用训练期间学到的模型获取k个最接近建筑类型的预测能耗，并使用加权平均函数组合这些预测值。我们在一个包含五种建筑类型的数据集上评估了我们的方法，该数据集使用流行的建筑能耗建模平台BuildSimHub生成。我们的方法取得了比在整个已知建筑类型数据集上训练的回归模型（基于XGBoost）更好的平均精度。