論文の概要: BuildSTG: A Multi-building Energy Load Forecasting Method using Spatio-Temporal Graph Neural Network
- arxiv url: http://arxiv.org/abs/2507.20838v1
- Date: Mon, 28 Jul 2025 13:47:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:58.139291
- Title: BuildSTG: A Multi-building Energy Load Forecasting Method using Spatio-Temporal Graph Neural Network
- Title（参考訳）: BuildSTG:時空間ニューラルネットワークを用いたマルチビルエネルギー負荷予測手法
- Authors: Yongzheng Liu, Yiming Wang, Po Xu, Yingjie Xu, Yuntian Chen, Dongxiao Zhang,
- Abstract要約: 類似した特徴を持つ建物は、しばしばエネルギーを共有し、その運用データにおける空間的依存によって反映される。
グラフ時間グラフニューラルネットワークを用いたマルチビルディング予測手法を提案する。
Building Data Genome Project 2データセットの実験では、ベースラインよりも優れたパフォーマンスが確認されている。
- 参考スコア（独自算出の注目度）: 7.196781503036909
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the extensive availability of operation data, data-driven methods show strong capabilities in predicting building energy loads. Buildings with similar features often share energy patterns, reflected by spatial dependencies in their operational data, which conventional prediction methods struggle to capture. To overcome this, we propose a multi-building prediction approach using spatio-temporal graph neural networks, comprising graph representation, graph learning, and interpretation. First, a graph is built based on building characteristics and environmental factors. Next, a multi-level graph convolutional architecture with attention is developed for energy prediction. Lastly, a method interpreting the optimized graph structure is introduced. Experiments on the Building Data Genome Project 2 dataset confirm superior performance over baselines such as XGBoost, SVR, FCNN, GRU, and Naive, highlighting the method's robustness, generalization, and interpretability in capturing meaningful building similarities and spatial relationships.
- Abstract（参考訳）: 運用データが広範囲に利用可能であるため、データ駆動方式は、建設エネルギー負荷を予測する強力な能力を示す。
類似した特徴を持つ建物は、しばしば、従来の予測手法が捉えるのに苦労する運用データにおける空間的依存によって反映されるエネルギーパターンを共有する。
これを解決するために,グラフ表現,グラフ学習,解釈を含む時空間グラフニューラルネットワークを用いたマルチビルディング予測手法を提案する。
まず、構築特性と環境要因に基づいてグラフを構築する。
次に,エネルギー予測のための多層グラフ畳み込みアーキテクチャを開発した。
最後に、最適化されたグラフ構造を解釈する手法を紹介する。
Building Data Genome Project 2データセットの実験では、XGBoost、SVR、FCNN、GRU、Naiveといったベースラインよりも優れたパフォーマンスが確認され、意味のあるビルの類似性や空間関係を捉える際の手法の堅牢性、一般化、解釈性を強調した。
関連論文リスト
- TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。
提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
論文 参考訳（メタデータ） (2024-11-23T05:31:25Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-19T18:00:15Z) - SAMSGL: Series-Aligned Multi-Scale Graph Learning for Spatio-Temporal Forecasting [9.013416216828361]
予測性能の向上を目的としたSGL(Series-Aligned Multi-Scale Graph Learning)フレームワークを提案する。
本研究では,非遅延グラフ信号の集約を容易にする一連のグラフ層を提案する。
気象・交通予測データセットについて実験を行い,その有効性と優越性を実証した。
論文 参考訳（メタデータ） (2023-12-05T10:37:54Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。
このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。
kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文 参考訳（メタデータ） (2022-02-25T10:02:49Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。