房间入住预测：探索机器学习和时间洞察的力量

Dec, 2023

房间入住预测：探索机器学习和时间洞察的力量

Room Occupancy Prediction: Exploring the Power of Machine Learning and Temporal Insights

Siqi Mao, Yaping Yuan, Yinpu Li, Ziren Wang, Yuanxin Yao...

TL;DR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。

Abstract

energy conservation in buildings is a paramount concern to combat greenhouse gas emissions and combat climate change. The efficient management of room occupancy, involving actions like lighting control and climate adjustment, is a pivotal strategy to curtail energy consumption. In cont

energy conservation building room occupancy machine learning models temporal modeling

发现论文，激发创造

针对鲁棒性能量预测的持续学习越界时空数据

本研究探讨了在流行期间建筑能源使用的预测方法，使用在线学习和人类迁移数据作为新的预测方法，以适应变化的入住模式，并在六个建筑上进行了广泛的实验。

Jun, 2023

基于历史数据和环境因素的数据驱动能耗预测

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

基于时空学习的动态环境下未来占据栅格的预测

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

基于 LSTM 和环境传感器的室内人数统计

利用 CO2 传感器和长短时记忆深度学习技术，估算教室的人数，模型表现良好，适用于实际环境。

Dec, 2022

冬季舒适度的时间变化的深度学习

研究了机器学习模型在考虑昼夜节律和室外温度等时间因素时在预测室内热舒适时的分类性能和预测准确度方面的影响，并通过采集 5 所学校 14 个教室共 512 个小学生的数据，展示了时间和空间上的多种温度数据对预测室内热舒适性的重要性。

Aug, 2022

利用机器学习方法量化和预测住宅建筑的灵活性

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

提升建筑温度预测：一种基于数据驱动的系统场景聚类方法

给出了一种基于 k-means 聚类方法的数据驱动室温预测模型，通过历史数据分析提取系统运行特征并简化系统级模型，提高了泛化能力和计算效率，实验证明该方法能显著减少建模时间而不降低预测准确性。

Feb, 2024

使用低分辨率智能电表数据的混合 Transformer-RNN 架构进行家庭占用检测

我们的研究旨在开发一种在当代生活环境中对住宅占用进行隐私保护和有效检测的模型，利用基于深度学习技术的混合 Transformer-RNN 模型，使用每小时的智能电表数据，在具有不同特征的住户中实现近 92％的准确度，并通过与最先进的模型（包括基于注意力的占用检测方法）的比较验证了其有效性。

Aug, 2023

基于电力消耗的占据检测

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

面向城市自主驾驶的动态占据栅格预测：一种基于深度学习的全自动标注方法

本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。

May, 2017