論文の概要: BuilDyn: Excitation-Driven Data Generation for Building Thermal Dynamics Modeling and Control

• arxiv url: http://arxiv.org/abs/2605.29849v1
• Date: Thu, 28 May 2026 12:30:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.235396
• Title: BuilDyn: Excitation-Driven Data Generation for Building Thermal Dynamics Modeling and Control
• Title（参考訳）: BuilDyn: 建築熱力学モデリングと制御のための励起駆動型データ生成
• Authors: Felix Koch, Thomas Krug, Fabian Raisch, Benjamin Schäfer, Benjamin Tischler,
• Abstract要約: 本稿では、制御指向データ生成のためのカスタマイズ可能な励起戦略を可能にするパッケージであるBuilDynを紹介する。 本研究では,データ駆動型MLモデルの性能を比較することで,BuilDynの利点を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) is increasingly used for data-driven modeling of buildings to enable downstream tasks such as fault detection and diagnosis, and energy-efficient control. While recent work improves generalization across building characteristics, weather, and occupancy, generalization also depends on sufficient exploration of the control-driven system state space. Existing real-world datasets and simulation environments predominantly reflect stationary operation under fixed control policies, resulting in limited excitation and reduced robustness to unseen operating conditions. This paper introduces BuilDyn, a package based on BuilDa that enables customizable excitation strategies for control-oriented data generation. BuilDyn further supports sampling from representative building distributions and provides a Python interface for easy integration into machine learning pipelines. We demonstrate the benefits of BuilDyn by comparing the performance of data-driven ML models trained on non-excited and excited data for one building. With BuilDyn, we hope to advance scalable control-oriented modeling and support future directions such as transfer learning and building-specific foundation models.
• Abstract（参考訳）: 機械学習(ML)は、断層検出や診断などの下流タスクとエネルギー効率の制御を可能にするために、建物のデータ駆動モデリングにますます利用されている。 最近の研究は、建築特性、天気、占有状況の一般化を改善する一方で、制御駆動システム状態空間の十分な探索にも依存している。 既存の実世界のデータセットとシミュレーション環境は、固定された制御ポリシーの下での定常的な操作を主に反映し、限られた励起と、目に見えない操作条件に対する堅牢性を低減する。 本稿では,BuilDaをベースとしたパッケージであるBuilDynを紹介する。 BuilDynはさらに、一般的なビルディングディストリビューションからのサンプリングをサポートし、マシンラーニングパイプラインへの統合を簡単にするためのPythonインターフェースを提供する。 本研究では,データ駆動型MLモデルの性能を比較することで,BuilDynの利点を実証する。 BuilDynでは、スケーラブルな制御指向モデリングを推進し、トランスファーラーニングやビル固有の基礎モデルといった今後の方向性をサポートしたいと思っています。

関連論文リスト

• Physics-Learning AI Datamodel (PLAID) datasets: a collection of physics simulations for machine learning [0.15469999759898032]
  PLAIDは物理シミュレーションのデータセットを表現および共有するためのフレームワークである。 PLAIDはシミュレーションデータを記述するための統一標準を定義する。 PLAID標準の下で,構造力学と計算流体力学を網羅した6つのデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-05-05T18:59:17Z)
• Data-Juicer Sandbox: A Feedback-Driven Suite for Multimodal Data-Model Co-development [67.55944651679864]
  統合データモデル共同開発に適した新しいサンドボックススイートを提案する。 このサンドボックスは、フィードバック駆動の実験プラットフォームを提供し、コスト効率とデータとモデルの両方のガイド付き洗練を可能にする。
  論文  参考訳（メタデータ） (2024-07-16T14:40:07Z)
• Controllable Data Generation Via Iterative Data-Property Mutual Mappings [13.282793266390316]
  本稿では,VAEベースのデータジェネレータを特性制御性で拡張し,乱れを確実にするフレームワークを提案する。 提案フレームワークは, 特性誤差, ゆがみ, 生成品質, トレーニング時間に関する性能評価を行うために, VAEベースの4つの制御可能ジェネレータ上に実装されている。
  論文  参考訳（メタデータ） (2023-10-11T17:34:56Z)
• Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST) [40.17692290400862]
  物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。 a)モデル評価を加速し、コスト効率の良い勾配を提供し、モデル予測制御(MPC)における後退地平線に対する良好な予測精度を維持する、微分可能な代理モデルのオフライントレーニング。 ビルディング最適化テストフレームワーク(BOPTEST)で利用可能な様々なテストケースに対して、複数のサロゲートモデルと最適化フレームワークを用いて、モデリングと制御性能を広範囲に評価する。
  論文  参考訳（メタデータ） (2023-01-31T06:55:19Z)
• Scalable Modular Synthetic Data Generation for Advancing Aerial Autonomy [2.9005223064604078]
  本稿では,自律飛行に適したスケーラブルなAerial Synthetic Data Augmentation (ASDA) フレームワークを提案する。 ASDAは、シーンとデータ拡張を自動的に実行する2つのスクリプト可能なパイプラインを備えた中央データ収集エンジンを拡張している。 多様なデータセットを自動生成する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-10T04:37:41Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。