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

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

该研究使用统计学和机器学习方法来预测国家电力需求，构建了一个完整的长、中、短期电力需求预测模型，其中跨度长的年度趋势采用宏观经济回归分析，中期模型采用温度和日历回归器，短期模型通过多个 ARMA 模型来捕捉小时级别的季节性，结果表明两年外部采样预测精度可达 96.83％。

Apr, 2023

通过对电力负荷预测的广泛技术进行综述，本文测试了人工智能驱动的短期负荷预测方法，包括 Facebook 的 Prophet 和 LSTM 模型，基于季节的 SARIMA 和平滑 Holt-Winters 模型，以及利用领域知识的经验回归模型。结果表明，在负荷预测任务中将持续性和回归项相结合可以实现最佳的预测准确性。

Feb, 2024

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

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

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

本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线，并使用 4 个住宅建筑物的真实数据集将其与 VARMA，Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较，结果表明，在大多数情况下，提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。

Jun, 2021

本文提出了一种基于条件隐马尔可夫模型的短期负荷预测算法，该模型可描述住宅设备需求的概率特征，并利用可扩展的统计学习方法直接从用电数据中估算模型参数，运用多种类型的电器的 1 分钟功率消耗数据的情况研究证实了该模型在负载预测和异常检测方面的有效性。

Oct, 2018

通过数据驱动技术和工业及住宅建筑的案例研究，本文不仅揭示了在平衡和新兴灵活性市场中机构的关键机遇，还成功开发了机构的端到端实用工具，验证了其操作能力，并为弹性和高效能源系统的演进作出了贡献。

Jan, 2024