論文の概要: MARL: Multi-scale Archetype Representation Learning for Urban Building Energy Modeling

• arxiv url: http://arxiv.org/abs/2310.00180v1
• Date: Fri, 29 Sep 2023 22:56:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 06:00:44.304028
• Title: MARL: Multi-scale Archetype Representation Learning for Urban Building Energy Modeling
• Title（参考訳）: marl: 都市建築エネルギーモデリングのためのマルチスケールアーチ型表現学習
• Authors: Xinwei Zhuang, Zixun Huang, Wentao Zeng, Luisa Caldas
• Abstract要約: 本稿では,MARL(Multi-scale Archetype Representation Learning)を提案する。 MARLは、建築のフットプリントを符号化し、幾何情報を複数のアーキテクチャ上の下流タスクによって制約された潜在ベクトルに浄化する。 その結果, 幾何学的特徴埋め込みはエネルギー消費推定の精度と信頼性を著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 0.5898893619901381
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Building archetypes, representative models of building stock, are crucial for precise energy simulations in Urban Building Energy Modeling. The current widely adopted building archetypes are developed on a nationwide scale, potentially neglecting the impact of local buildings' geometric specificities. We present Multi-scale Archetype Representation Learning (MARL), an approach that leverages representation learning to extract geometric features from a specific building stock. Built upon VQ-AE, MARL encodes building footprints and purifies geometric information into latent vectors constrained by multiple architectural downstream tasks. These tailored representations are proven valuable for further clustering and building energy modeling. The advantages of our algorithm are its adaptability with respect to the different building footprint sizes, the ability for automatic generation across multi-scale regions, and the preservation of geometric features across neighborhoods and local ecologies. In our study spanning five regions in LA County, we show MARL surpasses both conventional and VQ-AE extracted archetypes in performance. Results demonstrate that geometric feature embeddings significantly improve the accuracy and reliability of energy consumption estimates. Code, dataset and trained models are publicly available: https://github.com/ZixunHuang1997/MARL-BuildingEnergyEstimation
• Abstract（参考訳）: 都市建築エネルギーモデリングにおけるエネルギーシミュレーションの精度向上には, 建築原型, 建築資材の代表的なモデルが不可欠である。 現在広く採用されている建物のアーチタイプは全国規模で開発されており、地元の建物の幾何学的特異性の影響を無視する可能性がある。 本稿では,表現学習を用いて特定の建物から幾何学的特徴を抽出する手法であるmarl(multi-scale archetype representation learning)を提案する。 VQ-AEをベースとして構築されたMARLは、ビルディングフットプリントを符号化し、幾何情報を複数のアーキテクチャダウンストリームタスクによって制約された潜在ベクトルに精製する。 これらの調整された表現は、さらなるクラスタリングと構築エネルギーモデリングに有用であることが証明されている。 このアルゴリズムの利点は,建築物のフットプリントの異なるサイズに対する適応性,マルチスケール領域における自動生成機能,近隣地域や地域社会間の幾何学的特徴の保存などである。 本研究は, LA郡の5地域を対象に, MARLが従来型およびVQ-AE抽出アーチタイプを上回る性能を示した。 その結果, 幾何学的特徴埋め込みはエネルギー消費推定の精度と信頼性を著しく向上させることがわかった。 コード、データセット、トレーニングされたモデルが公開されている。 https://github.com/ZixunHuang1997/MARL-BuildingEnergyEstimation

関連論文リスト

• GeoMFormer: A General Architecture for Geometric Molecular Representation Learning [84.02083170392764]
  我々はこの目的を達成するためにGeoMFormerと呼ばれるトランスフォーマーに基づく新しい分子モデルを導入する。 我々は,GeoMFormerが,異なる型やスケールの不変タスクと同変タスクの両方において,高い性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-06-24T17:58:13Z)
• TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
  位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。 TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは、7つのジオアウェアイメージ分類と4つのジオアウェアイメージ回帰データセットを含む。
  論文  参考訳（メタデータ） (2024-06-21T21:33:16Z)
• 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)
• IME: Integrating Multi-curvature Shared and Specific Embedding for Temporal Knowledge Graph Completion [97.58125811599383]
  時間的知識グラフ(TKG)は時間次元を取り入れており、知識の進化を正確に捉えることができる。 本稿では,TKGCタスクのための新しい多曲率共有固有埋め込み(IME)モデルを提案する。 IMEは2つの重要な性質、すなわち空間共有性と空間固有性を含んでいる。
  論文  参考訳（メタデータ） (2024-03-28T23:31:25Z)
• Compressing Image-to-Image Translation GANs Using Local Density Structures on Their Learned Manifold [69.33930972652594]
  GAN(Generative Adversarial Networks)は、画像から画像への変換のための複雑なデータ分散のモデル化において、顕著な成功を収めている。 既存のGAN圧縮法は主に知識蒸留や畳み込み分類器の刈り取り技術に依存している。 学習多様体上の元のパラメータ重モデルの密度構造を保存するために,プルーンドモデルを明示的に促すことにより,新しいアプローチを提案する。 画像変換GANモデルであるPix2PixとCycleGANについて,様々なベンチマークデータセットとアーキテクチャを用いて実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-22T15:43:12Z)
• Serving Deep Learning Model in Relational Databases [72.72372281808694]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL-Centricアーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF-Centricアーキテクチャは、データベースシステム内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。 potentialRelation-Centricアーキテクチャは、演算子による大規模テンソル計算を表現することを目的としている。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• 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)
• FoldingNet Autoencoder model to create a geospatial grouping of CityGML building dataset [0.0]
  本研究では、3DオートエンコーダであるFoldingNetを用いて、LoD 2 CityGMLデータセットから各建物の潜在表現を生成する。 埋め込みの有効性は,データセット再構成,潜時拡散可視化,階層クラスタリング手法によって分析される。 建物の地理的グループ化を反復的に見つけるために地理空間モデルを作成する。
  論文  参考訳（メタデータ） (2022-12-28T17:16:23Z)
• Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network [20.358180125750046]
  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。
  論文  参考訳（メタデータ） (2021-05-27T19:02:04Z)
• Polynomial Networks in Deep Classifiers [55.90321402256631]
  我々は深層ニューラルネットワークの研究を統一的な枠組みで行った。 私たちのフレームワークは、各モデルの誘導バイアスに関する洞察を提供します。 提案モデルの有効性を,標準画像および音声分類ベンチマークで評価した。
  論文  参考訳（メタデータ） (2021-04-16T06:41:20Z)
• Knowledge Graph Embeddings in Geometric Algebras [14.269860621624392]
  幾何学代数に基づく新しいKG埋め込みフレームワークGeomEを紹介する。 我々のフレームワークは、最先端のKG埋め込みアプローチを仮定し、様々なキー関係パターンをモデル化する能力に有利である。 複数のベンチマーク知識グラフの実験結果から,提案手法はリンク予測のための既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-02T13:36:24Z)

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。