通过提供建筑时间序列（BTS）数据集，本研究试图解决建筑分析领域中普遍存在的可访问、可获取和全面的真实世界数据集的缺乏问题，并通过对时间序列本体分类和零样本预测等任务的评测，为建筑分析中的互操作性挑战提供了关键的初步步骤。

Jun, 2024

介绍了一种包含 8600 个传感器的 5 年数据时间覆盖的 LargeST 基准数据集作为解决当前公共数据集限制（规模小、时间段短、缺乏元数据）所面临挑战的一种解决方案，并在其上进行深入数据分析以提取数据洞见和评估效能。

Jun, 2023

这篇论文介绍了一个城市建模的数据集 Building3D，它包括超过 160,000 幢建筑物的点云、网格和线框模型，覆盖爱沙尼亚的 16 个城市，面积约为 998 平方公里。作者通过对先进算法的评估发现 Building3D 存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准，可以用于监督学习和自监督学习方法的比较。作者认为 Building3D 将促进未来在城市建模、航路规划、网格简化和语义 / 部分分割等领域的研究。

Jul, 2023

本研究提出了一个建筑物之间的迁移学习框架，以应对建筑物限制性和稀缺数据的深度学习预测问题，并将其应用于基于 Transformer 模型的精确负荷预测。结果表明，相比传统深度学习方法，所提出的方法提高了 56.8% 的精度，且准确率优于其他深度学习模型。

Jan, 2023

该研究致力于发布一个有注释的 ASHRAE Great Energy Predictor III 数据集版本，其中包含 1,413 个智能电表时间序列，为大规模异常检测的研究工作提供支持，并将八种先进的异常检测方法的性能与数据集进行了比较。

Mar, 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

为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。

Sep, 2023

从一组图像中，一个具有适当的提示工程和领域知识的大型语言模型可以成功地估计与可持续发展计算相关的一系列建筑特征，并生成针对业主如何改进其物业的定制建议。

May, 2024

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

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