論文の概要: High-resolution weather-guided surrogate modeling for data-efficient cross-location building energy prediction

• arxiv url: http://arxiv.org/abs/2603.11121v1
• Date: Wed, 11 Mar 2026 14:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.527397
• Title: High-resolution weather-guided surrogate modeling for data-efficient cross-location building energy prediction
• Title（参考訳）: データ効率なクロスロケーション建築エネルギー予測のための高分解能気象誘導サロゲートモデル
• Authors: Piragash Manmatharasan, Girma Bitsuamlak, Katarina Grolinger,
• Abstract要約: 設計の最適化は、しばしばEnergyPlusのような物理学に基づくシミュレーションツールに依存する。 本研究では,高解像度(週毎)の気象インフォームド・サロゲートモデリング手法を提案する。 強い一般化を達成するためには、複数のサイトからの広範なシミュレーションを必要としない。
• 参考スコア（独自算出の注目度）: 0.45880283710344066
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Building design optimization often depends on physics-based simulation tools such as EnergyPlus, which, although accurate, are computationally expensive and slow. Surrogate models provide a faster alternative, yet most are location-specific, and even weather-informed variants require simulations from many sites to generalize to unseen locations. This limitation arises because existing methods do not fully exploit the short-term weather-driven energy patterns shared across regions, restricting their scalability and reusability. This study introduces a high-resolution (weekly) weather-informed surrogate modeling approach that enhances model reusability across locations. By capturing recurring short-term weather-energy demand patterns common to multiple regions, the proposed method produces a generalized surrogate that performs well beyond the training location. Unlike previous weather-informed approaches, it does not require extensive simulations from multiple sites to achieve strong generalization. Experimental results show that when trained on a single location, the model maintains high predictive accuracy for other sites within the same climate zone, with no noticeable performance loss, and exhibits only minimal degradation when applied across different climate zones. These findings demonstrate the potential of climate-informed generalization for developing scalable and reusable surrogate models, supporting more sustainable and optimized building design practices.
• Abstract（参考訳）: 設計の最適化は、正確にはいっても計算コストが高く遅いEnergyPlusのような物理ベースのシミュレーションツールに依存していることが多い。 サロゲートモデルはより高速な代替手段を提供するが、ほとんどのモデルは位置特化されており、気象インフォームされた変種でさえ、目に見えない場所に一般化するために多くの場所からのシミュレーションを必要とする。 この制限は、既存の手法が地域間で共有される短期的な気象駆動エネルギーパターンを完全に活用せず、スケーラビリティと再利用性を制限するために生じる。 本研究では,高分解能(週毎)な気象インフォームド・サロゲート・モデリング手法を提案する。 複数地域に共通する短期的な気象・エネルギー需要パターンを再現することにより,訓練地点をはるかに越えた総合的なサロゲートを創出する。 以前の気象インフォームドアプローチとは異なり、強い一般化を達成するために複数のサイトからの広範なシミュレーションは必要ない。 実験結果から, 同一気候域内の他の地点の予測精度は高いが, 顕著な性能低下は見られず, 異なる気候域をまたいで適用した場合は, 最小限の劣化しか示さないことがわかった。 これらの結果は、スケーラブルで再利用可能なサロゲートモデルを開発するための気候インフォームド・ジェネレーションの可能性を示し、より持続的で最適化された建築設計プラクティスをサポートする。

関連論文リスト

• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)

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。