論文の概要: Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2105.13399v1
• Date: Thu, 27 May 2021 19:02:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:33:52.221152
• Title: Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network
• Title（参考訳）: グラフ畳み込みネットワークを用いた都市建築エネルギー消費量の時系列予測
• Authors: Yuqing Hu, Xiaoyuan Cheng, Suhang Wang, Jianli Chen, Tianxiang Zhao, Enyan Dai
• Abstract要約: 建設業はアメリカにおけるエネルギー消費の40%以上を占めている。 UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。 データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
• 参考スコア（独自算出の注目度）: 20.358180125750046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The world is increasingly urbanizing and the building industry accounts for more than 40% of energy consumption in the United States. To improve urban sustainability, many cities adopt ambitious energy-saving strategies through retrofitting existing buildings and constructing new communities. In this situation, an accurate urban building energy model (UBEM) is the foundation to support the design of energy-efficient communities. However, current UBEM are limited in their abilities to capture the inter-building interdependency due to their dynamic and non-linear characteristics. Those models either ignored or oversimplified these building interdependencies, which can substantially affect the accuracy of urban energy modeling. To fill the research gap, this study proposes a novel data-driven UBEM synthesizing the solar-based building interdependency and spatial-temporal graph convolutional network (ST-GCN) algorithm. Especially, we took a university campus located in downtown Atlanta as an example to predict the hourly energy consumption. Furthermore, we tested the feasibility of the proposed model by comparing the performance of the ST-GCN model with other common time-series machine learning models. The results indicate that the ST-GCN model overall outperforms all others. In addition, the physical knowledge embedded in the model is well interpreted. After discussion, it is found that data-driven models integrated engineering or physical knowledge can significantly improve the urban building energy simulation.
• Abstract（参考訳）: 世界は都市化が進み、建築産業はアメリカ合衆国におけるエネルギー消費の40%以上を占めている。 都市の持続性を改善するために、多くの都市は既存の建物を改修し、新しいコミュニティを構築することで野心的な省エネルギー戦略を採用している。 この状況において、正確な都市建築エネルギーモデル(ubem)は、エネルギー効率の高いコミュニティの設計を支援する基礎である。 しかしながら、現在のUBEMは、動的および非線形特性のため、建築間依存関係を捕捉する能力に制限がある。 これらのモデルは、これらの建物間の相互依存を無視したり、過度に単純化した。 研究ギャップを埋めるために,太陽系建物間依存性と時空間グラフ畳み込みネットワーク(ST-GCN)アルゴリズムを合成する新しいデータ駆動UBEMを提案する。 特に、アトランタのダウンタウンにある大学キャンパスを、時給エネルギーの消費予測の例として取り上げました。 さらに,ST-GCNモデルと他の一般的な時系列機械学習モデルとの比較により,提案モデルの有効性を検証した。 その結果,ST-GCNモデルは他のモデルよりも優れていた。 加えて、モデルに埋め込まれた物理的知識はよく解釈される。 議論の結果,データ駆動モデルの統合工学や物理知識が都市建築エネルギーシミュレーションを著しく改善できることが判明した。

関連論文リスト

• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。 オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。 以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Encoding Urban Ecologies: Automated Building Archetype Generation through Self-Supervised Learning for Energy Modeling [0.5399800035598186]
  建設部門はエネルギー消費と二酸化炭素排出量の主要な貢献者として浮上している。 既存の建築様式は、しばしば地元の建物の特徴と、異なる都市間の微妙な区別を捉えるのに失敗する。 本稿では, 自己教師型学習を用いて, 複雑な幾何学的データを代表的, ローカライズ固有のアーチタイプに抽出する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-11T02:29:08Z)
• Digital Twin for Grey Box modeling of Multistory residential building thermal dynamics [1.0987093127987972]
  北ヨーロッパでは、暖房エネルギーだけで全体のエネルギー消費の70%を占める。 本研究では,建築熱力学のグレーボックスモデリングを容易にするアーキテクチャを提案する。 このアーキテクチャは、デジタルツインプラットフォームを作成するケーススタディで検証されている。
  論文  参考訳（メタデータ） (2024-02-05T11:25:42Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• The Forecastability of Underlying Building Electricity Demand from Time Series Data [1.3757257689932039]
  ビルのエネルギー消費予測は、ビルのエネルギー管理システムにおいて有望な解決策となっている。 建物の将来的なエネルギー需要を予測するデータ駆動のアプローチは、科学文献で見ることができる。 このような建物のエネルギー需要を予測するために利用できる最も正確な予測モデルの同定は依然として困難である。
  論文  参考訳（メタデータ） (2023-11-29T20:47:47Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
  本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。 我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T03:41:31Z)
• SolarGAN: Synthetic Annual Solar Irradiance Time Series on Urban Building Facades via Deep Generative Networks [0.0]
  ビル・インテグレート・ソーラー(BIPV)は、ビルのエンベロープで利用可能な太陽エネルギーを利用して都市エネルギーシステムを脱炭する有望な技術である。 既存の物理に基づくシミュレーションプログラムは、時間解決結果を生成するために、かなりのモデリングと計算時間を必要とする。 本稿では,建築ファサード上での年間日射量時系列の高忠実なアンサンブルを効率的に生成する,Deep Generative Networks (DGN) に基づくデータ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-06-01T20:17:11Z)
• Zero Shot Learning for Predicting Energy Usage of Buildings in Sustainable Design [2.929237637363991]
  2030年の挑戦は、2030年までにすべての新しい建物と大規模な改修をカーボン中立にすることを目的としている。 建築要素が建築のエネルギー利用にどのように貢献するかを理解することが重要である。 予測精度を向上させるために、AIベースのソリューションにリッチなトレーニングデータセットが必要である。
  論文  参考訳（メタデータ） (2022-02-10T18:08:58Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。