論文の概要: Full-Feature versus Limited-Input Machine Learning for Residential Energy Estimation: A Comparative Analysis of RECS and ResStock Under Realistic Input Constraints

• arxiv url: http://arxiv.org/abs/2608.09255v1
• Date: Mon, 10 Aug 2026 08:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.142337
• Title: Full-Feature versus Limited-Input Machine Learning for Residential Energy Estimation: A Comparative Analysis of RECS and ResStock Under Realistic Input Constraints
• Title（参考訳）: 住宅エネルギー推定のためのフル機能対限定入力機械学習:リアルな入力制約下でのRECSとResstockの比較分析
• Abstract要約: 本研究では,米国の2つの住宅エネルギーデータセットを用いて,予測精度と入力アクセシビリティのトレードオフを定量化する。 フルフィーチャーモデルは、データセット固有のパフォーマンスベンチマークを確立するために最初に使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Residential energy estimates are often needed before detailed envelope characteristics, equipment efficiencies, infiltration, sensor, or billing data are available. This study quantifies the trade-off between predictive accuracy and input accessibility using two nationally representative U.S. residential-energy datasets: the survey-based Residential Energy Consumption Survey (RECS) and the simulation-based ResStock dataset. Full-feature models were first used to establish dataset-specific performance benchmarks. For total-energy estimation, the models were subsequently restricted to ten low-burden variables obtainable from occupants, administrative records, or location-based weather data without an on-site energy audit. Among CatBoost, XGBoost, LightGBM, Random Forest, and Neural Networks, CatBoost consistently achieved the highest predictive performance for the full-feature analysis, reaching R2 = 0.90 for ResStock and R2 = 0.73 for RECS. When the feature set was restricted to ten homeowner-accessible inputs to simulate realistic deployment conditions, model performance converged to R2 = 0.61 for RECS and R2 = 0.62 for ResStock, showing that algorithmic complexity cannot fully compensate for missing physical and behavioral information. However, for a more homogeneous ResStock cohort consisting of single-family detached, natural-gas-heated homes in Climate Zone 6A constructed between 2000 and 2010, a reduced-input model improved accuracy to R2 = 0.85, demonstrating the value of targeted modeling for homogeneous populations. The results indicate that tree-based ensemble models can serve as high-fidelity emulators of national-scale residential energy datasets. However, careful consideration of feature availability, dataset origin (empirical vs. synthetic), and applicable use cases are also important.
• Abstract（参考訳）: 詳細な封筒特性、機器効率、浸透、センサー、請求データが利用可能になる前に、住宅エネルギーの見積もりが必要とされることが多い。 本研究では, 全国的に代表される2つの住宅エネルギーデータセット, 調査ベース住宅エネルギー消費調査(RECS)とシミュレーションベースResStockデータセットを用いて, 予測精度と入力アクセシビリティのトレードオフを定量化する。 フルフィーチャーモデルは、データセット固有のパフォーマンスベンチマークを確立するために最初に使用された。 総エネルギー推定では, 居住者, 行政記録, 位置に基づく気象データから得られる低バーデン変数が, 現場のエネルギー監査なしで10種類に制限された。 CatBoost、XGBoost、LightGBM、Random Forest、Neural Networksのうち、CatBoostはフルフィーチャー分析において常に最高の予測性能を達成し、ResStockではR2 = 0.90、RECSではR2 = 0.73に達した。 現実的な配置条件をシミュレートするために10個のホームオーナーアクセス可能な入力に制限されたとき、モデル性能はRECSではR2 = 0.61、ResStockではR2 = 0.62に収束し、アルゴリズムの複雑さは物理的および行動的な情報の欠如を完全に補うことはできないことを示した。 しかし、2000年から2010年にかけて建設された気候ゾーン6Aの1戸建ての自然ガス暖房住宅からなるより均質なResStockコホートでは、R2 = 0.85の精度が向上し、同質集団を対象としたターゲットモデリングの価値が示された。 その結果,木系アンサンブルモデルでは,全国規模の住宅エネルギーデータセットの高忠実エミュレータとして機能することが示唆された。 しかし、機能可用性、データセットの起源(経験的対合成)、適用可能なユースケースについても慎重に検討することが重要である。

関連論文リスト

• Leveraging Energy Features for Surface Classification with Deep Learning: A Comparative Analysis Across Three Independent Datasets [45.88028371034407]
  エネルギーベースの手法は、移動ロボットにおける表面分類に対する比較的過小評価されたアプローチのままである。 本研究は,エネルギー由来の特徴を独立な分類法として,あるいは慣性データへの補足的な入力として,有効性を評価する。
  論文  参考訳（メタデータ） (2026-06-17T05:24:32Z)
• Multi-Fidelity Emulation of Atmospheric Correction Coefficients with Physics-Guided Kolmogorov-Arnold Networks [0.17188280334580194]
  大気補正は光リモートセンシングにおける重要な前処理ステップである。 本研究では,大気補正係数をエミュレートする物理対応多面体サロゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T22:43:25Z)
• A Physics-Aware Framework for Short-Term GPU Power Forecasting of AI Data Centers [7.256390775982009]
  本稿では,今後5～80分でAIデータセンターの電力利用を正確に予測できる物理インフォームド時系列モデルを提案する。 このモデルは、実際のAIデータセンタデータセットでトレーニングされ、評価され、テストされた最先端(SOTA)モデルよりも正確である。 SOTAトランスおよび非トランスフォーマーベースのモデルと比較して、予測精度の改善はMSEの0.782%-39.08%、MAEの0.993%-51.82%、RMSEの0.370%-22.28%である。
  論文  参考訳（メタデータ） (2026-04-14T04:14:32Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• RADAR: Benchmarking Vision-Language-Action Generalization via Real-World Dynamics, Spatial-Physical Intelligence, and Autonomous Evaluation [76.22852262683746]
  本稿では,現実的な条件下でのVLA一般化を体系的に評価するベンチマークであるRADARを紹介する。 RADARを用いて、複数の最先端のVLAモデルを監査し、その明らかな能力の下で深刻な脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2026-02-11T16:08:30Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Short-Term Regional Electricity Demand Forecasting in Argentina Using LSTM Networks [0.0]
  本研究では,アルゼンチン・コルドバ市における短期的時間電力需要予測のためのディープラーニングモデルの開発と最適化について述べる。 このモデルは予測精度が高く、平均絶対パーセンテージ誤差は3.20%、決定係数は0.95である。
  論文  参考訳（メタデータ） (2025-09-19T19:20:49Z)
• Machine Learning-based Regional Cooling Demand Prediction with Optimised Dataset Partitioning [7.745583292171836]
  都市内建物における冷却需要の正確な予測はエネルギー効率の維持に不可欠である。 本研究では,高分解能Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T12:43:33Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• BEIR: A Heterogenous Benchmark for Zero-shot Evaluation of Information Retrieval Models [41.45240621979654]
  情報検索のための異種ベンチマークであるBEIRを紹介する。 ゼロショット評価設定における9つの最先端の検索モデルの有効性を検討する。 Dense-Retrievalモデルは計算効率が良いが、他のアプローチでは性能が劣ることが多い。
  論文  参考訳（メタデータ） (2021-04-17T23:29:55Z)
• On the Sparsity of Neural Machine Translation Models [65.49762428553345]
  性能向上のために冗長パラメータを再利用できるかどうかを検討する。 実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
  論文  参考訳（メタデータ） (2020-10-06T11:47:20Z)

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。