論文の概要: BuildingsBench: A Large-Scale Dataset of 900K Buildings and Benchmark
for Short-Term Load Forecasting
- arxiv url: http://arxiv.org/abs/2307.00142v1
- Date: Fri, 30 Jun 2023 21:26:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 17:53:41.173869
- Title: BuildingsBench: A Large-Scale Dataset of 900K Buildings and Benchmark
for Short-Term Load Forecasting
- Title（参考訳）: BuildingsBench:900Kビルの大規模データセットと短期負荷予測ベンチマーク
- Authors: Patrick Emami, Abhijeet Sahu, Peter Graf
- Abstract要約: ビルディングスベンチは、1)ビルディングス900Kと、2)オープンデータセットから1,900以上の実際の住宅・商業ビルを対象とした評価プラットフォームで構成されている。
ベンチマーク分析の主な発見は、合成事前訓練されたモデルが、実際の商業ビルに驚くほどよく一般化していることである。
- 参考スコア（独自算出の注目度）: 1.7403133838762448
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Short-term forecasting of residential and commercial building energy
consumption is widely used in power systems and continues to grow in
importance. Data-driven short-term load forecasting (STLF), although promising,
has suffered from a lack of open, large-scale datasets with high building
diversity. This has hindered exploring the pretrain-then-finetune paradigm for
STLF. To help address this, we present BuildingsBench, which consists of 1)
Buildings-900K, a large-scale dataset of 900K simulated buildings representing
the U.S. building stock, and 2) an evaluation platform with over 1,900 real
residential and commercial buildings from 7 open datasets. BuildingsBench
benchmarks two under-explored tasks: zero-shot STLF, where a pretrained model
is evaluated on unseen buildings without fine-tuning, and transfer learning,
where a pretrained model is fine-tuned on a target building. The main finding
of our benchmark analysis is that synthetically pretrained models generalize
surprisingly well to real commercial buildings. An exploration of the effect of
increasing dataset size and diversity on zero-shot commercial building
performance reveals a power-law with diminishing returns. We also show that
fine-tuning pretrained models on real commercial and residential buildings
improves performance for a majority of target buildings. We hope that
BuildingsBench encourages and facilitates future research on generalizable
STLF. All datasets and code can be accessed from
\url{https://github.com/NREL/BuildingsBench}.
- Abstract（参考訳）: 住宅と商業ビルのエネルギー消費の短期予測は電力システムで広く使われており、引き続き重要性が増している。
データ駆動の短期負荷予測(STLF)は有望ではあるが、ビルディングの多様性の高い大規模データセットの欠如に悩まされている。
これにより、STLFのプレトレイン-then-finetuneパラダイムの探索が妨げられている。
これに対処するために ビルディングベンチを紹介します
1)ビルズ900k,米国の建物ストックを代表する900kシミュレートされた大規模データセット,及び
2) 7つのオープンデータセットから1,900以上の実住宅および商業ビルの評価プラットフォーム。
buildingsbenchは、未熟な建物で事前訓練されたモデルを微調整することなく評価するゼロショットslfと、目標の建物で事前訓練されたモデルを微調整する転送学習の2つの未熟なタスクをベンチマークする。
ベンチマーク分析の主な発見は、合成事前学習されたモデルが実際の商業ビルに驚くほどよく一般化していることです。
データセットのサイズと多様性がゼロショットの商業建築性能に与える影響を調べると、リターンが減少するパワーローが明らかになる。
また,実際の商業用および住宅用建物における微調整事前学習モデルにより,ほとんどの建物の性能が向上することを示した。
buildingsbenchが汎用stlfに関する今後の研究を奨励し、促進できることを願っている。
すべてのデータセットとコードは \url{https://github.com/NREL/BuildingsBench} からアクセスできる。
関連論文リスト
- From RNNs to Foundation Models: An Empirical Study on Commercial Building Energy Consumption [3.355907772736553]
商業ビルの短期エネルギー消費予測はスマートグリッドの運用に不可欠である。
スマートメーターとディープラーニングモデルは、複数の建物からの過去のデータを使用した予測を可能にするが、多様な建物からのデータの異質性は、モデルの性能を低下させる可能性がある。
我々は、米国の商業ビルのエネルギー消費データを提供するComStockデータセットを用いてこの問題に対処する。
論文 参考訳（メタデータ） (2024-11-21T18:54:43Z) - Predicting building types and functions at transnational scale [0.0]
我々は、EU、ノルウェー、スイス、イギリスにまたがるOpenStreetMap(OSM)ビルディングからなる大規模グラフデータセット上にグラフニューラルネットワーク(GNN)分類器をトレーニングする。
グラフトランスフォーマーモデルは、建物を9つのクラスに分類するときにコーエンのカッパ係数 0.754、住宅と非住宅のクラスに分類するときにコーエンのカッパ係数 0.844 を達成する。
論文 参考訳（メタデータ） (2024-09-15T11:02:45Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳（メタデータ） (2023-07-05T18:16:30Z) - Points for Energy Renovation (PointER): A LiDAR-Derived Point Cloud
Dataset of One Million English Buildings Linked to Energy Characteristics [0.705947228027401]
本稿では,ビルの3次元表現とそのエネルギー特性をデータ駆動で大規模に理解するビルディングポイントクラウドデータセットを提案する。
ジオレファレンスなLiDARデータとビルディングフットプリントを交わし、英国のエネルギーパフォーマンスデータベースの属性とリンクすることで、ビルディングポイントクラウドを生成します。
代表的サンプルを得るため、イングランドの農村部や都市部から100万棟の建物を選定し、その内50万棟がエネルギー特性に結びついている。
論文 参考訳（メタデータ） (2023-06-28T08:48:22Z) - Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。
注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。
検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-06-12T15:52:02Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - 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) - 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) - Lifelong Property Price Prediction: A Case Study for the Toronto Real
Estate Market [75.28009817291752]
自動資産評価のための最初の寿命予測モデルであるLuceを提示する。
ルースは不動産価格の2つの重要な問題に対処している。
トロント不動産市場から得られた大規模な実生活データセットにLuceを適用することで,Luceのメリットを実証する。
論文 参考訳（メタデータ） (2020-08-12T07:32:16Z) - Holistic Parameteric Reconstruction of Building Models from Point Clouds [9.93322840476651]
本研究では,1つの建物全体の点雲を同時に考慮した総合的パラメトリック再構築手法を提案する。
まず、よく設計されたディープニューラルネットワークを使用して、所定のビルディングポイントクラウド内のプリミティブを識別します。
次に、セグメント化されたプリミティブのパラメータを同時に決定するために、全体最適化戦略を導入する。
総合的な再現の質は、点表面距離0.08メートル、入力されたLiDAR点の0.7倍のRMSEである。
論文 参考訳（メタデータ） (2020-05-19T05:42:23Z)
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。