基于深度学习算法和连续学习技术的能源负荷预测研究，特别针对疫情期间的分布区间外问题和人类流动数据的利用。

Sep, 2023

我们的研究验证了我们对连续和分类任务的预测框架的有效性，并强调通过包含时间方面来提高预测能力的潜力。该研究凸显了机器学习在塑造节能实践和房间占用管理方面的前景。

Dec, 2023

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

我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。

May, 2022

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

本文提出了一种基于空间连接图建立和时空预测的空间感知停车预测框架，通过对宁波市停车数据的案例研究，结果表明我们的方法在停车占用预测方面优于基线方法，特别是在 COVID-19 等高时间不规则性情况下，强调了建模停车行为预测中空间依赖性的重要性。

Aug, 2021

该研究提出了两种互补的灵活性测量指标，并使用主流的基于机器学习的模型预测住宅建筑物在四小时和 24 小时预测时段内的时间变化和间歇性灵活性。长短期记忆（LSTM）模型在功率灵活性方面表现最佳，可以在 24 小时内准确预测功率灵活性，平均误差约为 0.7 千瓦。然而，在能源灵活性方面，LSTM 模型只能成功预测具有一致运行模式的负荷，并且在预测与暖通空调系统相关的能源灵活性时面临挑战。

Mar, 2024

从低频电力消耗数据中提取空置家居时间间隔的新方法，包括变点检测、分类、周期检测和周期性尖峰检索等多种算法，对模拟和真实消耗曲线均取得了令人鼓舞的结果。该方法为能源利用的优化提供了实用见解，并有潜在的节能成本和可持续性效益，但在不同场景和大型数据集上仍需要进一步的研究以提高可应用性。

Dec, 2023

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