利用数据驱动方法预测建筑能源需求的可预测性，不需先使用数据驱动的预测模型。

Nov, 2023

本研究通过使用历史能源数据、占用模式和天气条件，引入了一种基于长短期记忆（LSTM）模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较，我们的 LSTM 模型在所有指标上表现出色，具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差（MAE）。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估，我们解决了过拟合（方差）和欠拟合（偏差）的问题。总结而言，我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型，为能源预测做出了贡献。

Sep, 2023

建筑物占据了全球能源消耗的相当大部分。本文调查了应用于建筑物能源管理的主要语义建模技术，并提供了具体的应用案例，揭示了每种模型固有的关键概念和限制。我们的发现将帮助研究人员确定在不同应用场景中使用这些模型的适当条件和方法。

Apr, 2024

利用历史建筑能源数据，研究了简单的线性多层感知器模型在多建筑能源系统模拟中提供与先进模型相当的预测精度，并具有更高的数据效率和泛化能力。通过使用变点分析对训练数据进行筛选，同时提高了预测精度和数据效率。重用模型和使用三个月的数据训练的模型平均误差比基准模型高出 10％，表明在没有事先数据收集的情况下部署 MPC 系统可能是经济可行的。

Feb, 2024

利用零样本学习方法，本文提出了一种基于建筑能源模型的预测建筑能耗的方法，该方法使用侧面信息来预测最接近给定未知建筑类型的建筑类型，并在训练中学习建筑模型，并使用加权平均函数组合所预测的建筑能耗值，其平均精度比基于 XGBoost 的回归模型训练的知名建筑类型数据集更优。

Feb, 2022

本文提出了一种基于 LSTM 网络的公共建筑物能耗预测方法，包括数据处理、训练和验证、预测三个步骤，并使用 MAE 和 MAPE 等评价指标对英国国家档案馆主楼的每半小时测量数据集进行了测试。

Jul, 2022

通过对广泛可用的遥感数据进行多源融合和深度学习建模，可以较快地并且准确地评估建筑的能源效率，本研究通过对英国近 40,000 座建筑的数据分析和建模，证明了通过街景、航拍图像、建筑平面和卫星表面温度等信息，深度学习建模的方法可以取得令人满意的预测结果，并为未来的进一步工作提供了可能性。

Jun, 2022

通过机器学习算法对低碳出行数据进行特征分析和挖掘，本研究旨在研究居民低碳意识形成机制，为交通管理者引导城市居民选择低碳出行方式提供重要依据。实验结果表明，居民低碳出行意愿可分为三类：强烈、中立和不强烈；而职业、居住地、家庭结构和通勤时间是最重要的因素之一。该方法从多个方面为城市交通低碳的发展和管理提供政策建议。

Dec, 2023

本研究针对数字化能源基础设施，通过机器学习模型支持新的数据应用，提出了一种适用于能源应用的数据模型设计，并进行了性能测试比较，结果表明更丰富的数据模型能提升模型性能。

May, 2022

基于深层学习模型和物理方程，本文介绍了一种针对住宅建筑热损失的新型神经网络模型，结合建筑信息和能源消耗数据进行能源性能预测，取得了良好的预测准确性，为基于基本建筑特性的自动化、数据驱动能效预测铺平了道路。

Nov, 2023