論文の概要: RESCAST-100K: A Comprehensive Dataset for Cross-Domain Residential Load and Indoor Temperature Forecasting

• arxiv url: http://arxiv.org/abs/2606.02852v1
• Date: Mon, 01 Jun 2026 20:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.585199
• Title: RESCAST-100K: A Comprehensive Dataset for Cross-Domain Residential Load and Indoor Temperature Forecasting
• Title（参考訳）: RESCAST-100K: クロスドメイン住宅負荷と室内温度予測のための総合データセット
• Authors: Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri,
• Abstract要約: 本稿では,クロスドメインの一般化を研究するための大規模住宅予測ベンチマークであるRESCAST-100Kを紹介する。 ソースドメインとターゲットドメインを解釈可能なxに沿ってインスタンス化する設定駆動インターフェースを提供する。 このベンチマークは、ResStockから得られたEnergyPlusを模した米国の住宅約10万戸をカバーする。
• 参考スコア（独自算出の注目度）: 1.3777823115521663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate short-term forecasting of residential energy load and indoor temperature is essential for home energy management systems, grid-level demand response, and community energy efficiency efforts. Domain adaptation and transfer learning have shown promise for improving forecasting accuracy under data heterogeneity and scarcity commonly seen in residential settings. However, progress is limited by the lack of comprehensive residential datasets: existing benchmarks are narrow in target coverage and rarely support structured cross-domain evaluation. We introduce RESCAST-100K, a large-scale residential forecasting benchmark for studying cross-domain generalization. It provides a configuration-driven interface that instantiates source and target domains along interpretable axes, including geography, climate zone, wall construction, and heating equipment, enabling systematic evaluation of transfer learning, domain adaptation, and zero-shot generalization under controlled domain shifts. The benchmark covers approximately 100,000 EnergyPlus-simulated U.S. homes derived from ResStock, with 15-minute time series for three coupled targets per home: total load, HVAC load, and indoor temperature. These are paired with weather channels, HVAC setpoints, and over 40 static building covariates. RESCAST-100K also integrates five real-world residential datasets under a unified schema, supporting sim-to-real evaluation on the same tasks. We benchmark recurrent, attention-based, and MLP-mixer architectures for zero-shot performance across domains, missing-input conditions, and forecasting tasks. Cross-attention and MLP-mixer models consistently outperform recurrent and classical transformer baselines under domain shift. RESCAST-100K is intended to aid the machine learning and building analytics communities advance cross-domain residential forecasting at home, community, and grid scale.
• Abstract（参考訳）: 住宅のエネルギー負荷と室内温度の正確な短期予測は、住宅エネルギー管理システム、グリッドレベルの需要応答、地域エネルギー効率向上に不可欠である。 ドメイン適応と伝達学習は、住宅環境によく見られるデータ不均一性と希少性の下で予測精度を向上させることを約束している。 既存のベンチマークは対象範囲が狭く、構造化されたクロスドメイン評価をサポートすることはめったにない。 本稿では,クロスドメインの一般化を研究するための大規模住宅予測ベンチマークであるRESCAST-100Kを紹介する。 ジオグラフィック、気候帯、壁建設、暖房機器など、解釈可能な軸に沿ってソースドメインとターゲットドメインをインスタンス化し、制御されたドメインシフト下での転送学習、ドメイン適応、ゼロショット一般化の体系的な評価を可能にする構成駆動インターフェースを提供する。 このベンチマークは、ResStockから派生した米国の約10万軒のEnergyPlusシミュレーション住宅をカバーしており、総負荷、HVAC負荷、室内温度の3つの結合目標に対して15分間の時系列が提供されている。 これらは天気予報、HVAC設定点、40以上の静的な建物の共変量と組み合わせられる。 RESCAST-100Kは5つの実世界の居住データセットを統合スキーマの下で統合し、同じタスクにおけるsim-to-real評価をサポートする。 我々は、ドメイン間のゼロショット性能、欠落した入力条件、予測タスクのために、繰り返し、注目ベース、MLPミキサーアーキテクチャをベンチマークする。 クロスアテンションモデルとMLPミキサーモデルは、ドメインシフトの下で、リカレントおよび古典的なトランスフォーマーベースラインを一貫して上回っている。 RESCAST-100Kは、家庭、コミュニティ、グリッドスケールでのクロスドメイン住宅予測の進展を支援することを目的としている。

関連論文リスト

• Uncertainty-Aware Transfer Learning for Cross-Building Energy Forecasting: Toward Robust and Scalable District-Level Energy Management [0.0]
  データ駆動型エネルギー予測を地域レベルにスケールアップするには、最小限のターゲットドメインデータと正直な不確実性推定を持つ建物間で再利用可能なモデルが必要である。 時間核融合変圧器(TFT)に基づくクロスビルエネルギー予測のための不確実性を考慮した伝達学習フレームワークを提案する。 4段階の層凍結アブレーションにより,806Kから455個の出力層パラメータを更新した Probe-Only の微調整により,最も優れた転送品質が得られることがわかった。
  論文  参考訳（メタデータ） (2026-05-28T10:28:05Z)
• Spatio-temporal modelling of electric vehicle charging demand [0.41998444721319217]
  スコットランド全土で収集された新しいスケールの時系列データセット(2022年2025年)を紹介する。 我々は、Integrated Nested Laplace Approximation (INLA)を介して、潜在潜在潜在ガウス場としてのEV充電需要を近似推論する。 駅レベルの予測タスクでは,機械学習ベースラインに対する競合予測精度が向上し,また,リスク認識インフラ計画に不可欠な基本的不確かさの定式化と空間的・時間的分解特性の解釈が可能となった。
  論文  参考訳（メタデータ） (2026-04-21T09:52:22Z)
• CrossEarth-SAR: A SAR-Centric and Billion-Scale Geospatial Foundation Model for Domain Generalizable Semantic Segmentation [51.94680303125737]
  我々は、新しい物理誘導型スパース・オブ・エキスパート(MoE)アーキテクチャに基づいて構築された、最初の10億ドル規模のSARビジョン基盤モデルであるCrossEarth-SARを紹介する。 大規模な事前トレーニングを容易にするために,公共およびプライベートなSAR画像を統合する弱く完全に教師付きデータセットであるCrossEarth-SAR-200Kを開発した。 また、8つの異なる領域ギャップをまたいだ22のサブベンチマークからなるベンチマークスイートを導入し、SAR画像上でのドメイン一般化セマンティックセマンティックセグメンテーションのための最初の統一標準を確立した。
  論文  参考訳（メタデータ） (2026-03-12T14:52:35Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data [0.0]
  GNN-RNNとMMST-ViTの2つの最先端ディープラーニングモデルを現実的なアウト・オブ・ディストリビューション条件下でベンチマークする。 GNN-RNNは、地理的シフトの下では正の相関で優れた一般化を示し、MMST-ViTはドメイン内では良好に機能するが、OOD条件下では著しく劣化する。
  論文  参考訳（メタデータ） (2025-10-08T03:27:12Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• GAIA: A Foundation Model for Operational Atmospheric Dynamics [0.83442357861662]
  我々は,MAE(Masked Autoencoders)とラベルのない自己蒸留(DINO)を融合したハイブリッド自己教師型モデルGAIAを紹介する。 GAIAは、自明な日中パターンではなく、大気力学を捉える非絡み合った表現を学ぶ。 下流タスクに移行すると、GAIAは一貫してMAEのみのベースラインを上回っます。
  論文  参考訳（メタデータ） (2025-05-15T05:07:09Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
  LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。 事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。 LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:02:15Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)

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。