論文の概要: Toward a foundational thermal model for residential buildings

• arxiv url: http://arxiv.org/abs/2605.01364v1
• Date: Sat, 02 May 2026 10:19:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.72984
• Title: Toward a foundational thermal model for residential buildings
• Title（参考訳）: 住宅熱モデルの構築に向けて
• Authors: Ting-Yu Dai, Kingsley Nweye, Dev Niyogi, Zoltan Nagy,
• Abstract要約: 本稿では、ドメイン知識をデコーダのみのフレームワークに組み込む物理インフォームドトランスフォーマーアーキテクチャを提案する。 我々は,3つの気候帯にまたがる247棟の住宅ビルを対象としたCityLearnデータセットのモデルについて検討した。 本研究は, 普遍的な熱モデル構築の基盤として, 物理インフォームドアーキテクチャーの原理を確立した。
• 参考スコア（独自算出の注目度）: 1.628785836948598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The building energy community lacks a foundational thermal model, i.e., a single pretrained model capable of generalizing across diverse buildings, climates, and control strategies without building-specific calibration. Achieving this vision requires architectural principles that capture universal thermal dynamics rather than memorizing building-specific patterns. We take a step toward this goal by presenting a physics-informed transformer architecture that embeds domain knowledge, e.g., derivative enrichment and Euler-based numerical integration, into a decoder-only framework. We incorporate static building features extracted from simulation models and employ Rotary Position Embedding attention to capture temporal dependencies. Evaluated on the CityLearn dataset spanning 247 residential buildings across three climate zones, our model achieves one-step prediction accuracy (RMSE of 0.30°C in Texas, 0.29°C in Vermont) while outperforming both traditional baselines and fine-tuned Time-Series Foundation Models. We also demonstrate zero-shot transferability: models trained on as few as two buildings generalize to unseen buildings and climate zones without fine-tuning. Despite the limitation of simulated residential buildings, our results establish physics-informed architectural principles as a promising foundation for universal building thermal models.
• Abstract（参考訳）: 建築エネルギーコミュニティには基礎的な熱モデル、すなわち、ビル固有のキャリブレーションを使わずに、多様な建物、気候、制御戦略を一般化できる単一の事前訓練モデルが欠落している。 このビジョンを達成するには、建築固有のパターンを記憶するのではなく、普遍的な熱力学を捉えるアーキテクチャの原則が必要です。 この目標に向けて、ドメイン知識、例えば微分エンリッチメントやオイラーに基づく数値積分をデコーダのみのフレームワークに組み込む物理インフォームドトランスフォーマーアーキテクチャを提案する。 シミュレーションモデルから抽出した静的な建物特徴を取り入れ,時間的依存関係を捉えるために回転位置埋め込みを用いた。 CityLearnの3つの気候帯にまたがる247棟の住宅を対象とし,1段階予測精度(テキサス州で0.30°CのRMSE,バーモント州で0.29°CのRMSE)を実現し,従来型ベースラインと微調整型時系列ファンデーションモデルの両方を上回った。 2つの建物で訓練されたモデルは、微調整なしで見えない建物や気候帯に一般化される。 本研究は, シミュレーション住宅の限界にもかかわらず, 普遍的な建築熱モデルの基礎として, 物理インフォームドアーキテクチャーの原則を確立した。

関連論文リスト

• The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
  一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。 本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。 我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
  論文  参考訳（メタデータ） (2026-02-26T16:15:55Z)
• Assessing Electricity Demand Forecasting with Exogenous Data in Time Series Foundation Models [0.0]
  本稿では,ベースラインLSTMに対するクロスチャネル相関をモデル化できる基礎モデルについて実験的に評価する。 この単純な基準線は、シンガポールの安定な気候、特に短期的な地平線において、全ての基礎モデルを上回ることがよく見られる。 これらの結果は、普遍的な基盤モデル優位性に関する仮定に挑戦し、ドメイン固有モデルの必要性を強調している。
  論文  参考訳（メタデータ） (2026-02-05T07:17:21Z)
• BuildingWorld: A Structured 3D Building Dataset for Urban Foundation Models [17.325315633493624]
  BuildingWorldは、都市規模のファンデーションモデリングと分析のためのグローバルな代表的データセットである。 様々なソースから収集された約500万のLOD2ビルディングモデルに、実物と模擬のLiDAR点雲が伴っている。 Cyber Cityは、カスタマイズされた、構造的に多様なポイントクラウドディストリビューションで無制限のトレーニングデータを生成する仮想都市モデルである。
  論文  参考訳（メタデータ） (2025-11-09T11:40:34Z)
• Aether: Geometric-Aware Unified World Modeling [49.33579903601599]
  Aetherは、世界モデルにおける幾何学的推論を可能にする統一されたフレームワークである。 本フレームワークは,動作追従タスクと再構成タスクの両方においてゼロショットの一般化を実現する。 私たちの研究がコミュニティに、物理的に理にかなった世界モデリングにおける新たなフロンティアを探求させることを期待しています。
  論文  参考訳（メタデータ） (2025-03-24T17:59:51Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• BuildingsBench: A Large-Scale Dataset of 900K Buildings and Benchmark for Short-Term Load Forecasting [3.8489470606363514]
  データ駆動の短期負荷予測(STLF)は、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。 1)ビルディングス・ベンチ(ビルディングス・ベンチ) ビルビルズ・900K(ビルビルズ・900K) ビルビルズ・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・900K(ビルズ・ビルズ・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルズ・ビルディングス) ビルズ・ビルズ・ビルズ・アンド・商業ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・
  論文  参考訳（メタデータ） (2023-06-30T21:26:24Z)
• A physics-based domain adaptation framework for modelling and forecasting building energy systems [5.8010446129208155]
  最先端の機械学習ベースのモデルは、建物内のエネルギー挙動のモデリングと予測に一般的な選択肢である。 しかし、それらの構造は、物理現象の制御と結びついた物理的・機械的構造を持たない。 我々はラベル付きデータの代わりに、熱伝達常微分方程式によって支配されるLTIの幾何学構造を利用する新しいSDA手法を導入する。
  論文  参考訳（メタデータ） (2022-08-19T17:27:39Z)
• 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)
• Physics-constrained Deep Learning of Multi-zone Building Thermal Dynamics [6.970705794911342]
  熱力学をモデル化するための物理制約付き制御指向深層学習法を提案する。 具体的には、従来の物理に基づくビルディングモデリングからニューラルネットワーク熱力学モデル構造への構造的先行性を含める。 本研究では,20の温熱領域を有する実世界のオフィスビルディングから得られたデータセットに対して,データ駆動型モデリング手法の有効性と物理的解釈性を示す。
  論文  参考訳（メタデータ） (2020-11-11T06:39:14Z)

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。