建筑原型、能源模拟、城市建筑能源建模、多尺度原型表示学习和几何特征是本研究的关键词。本文提出了一种基于多尺度原型表示学习的方法来提取具体建筑库的几何特征，并通过多个建筑下游任务约束潜在向量，这些定制化的表示在进一步的聚类和建筑能源建模中被证明是有价值的。在洛杉矶县的五个地区的研究中，我们展示了该方法在性能上超过了传统方法和仅使用 VQ-AE 提取的原型，并证明了几何特征嵌入能够显著提高能耗估计的准确性和可靠性。

Sep, 2023

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

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

研究聚焦于利用机器学习技术，使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况，并进一步通过对真实数据集的建模来验证该方法的有效性。

Mar, 2023

采用深度生成学习构建基于人类指导、考虑空间层级的城市规划器，并引入生成对抗网络以解决空间层级问题。

Sep, 2022

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

我们的研究引入了一种新的方法来自动生成历史弧廊立面的图像，利用以文本描述为条件的稳定扩散模型，该方法在生成的图像中展现出高的精确性、真实性和多样性，为实际城市更新项目提供了有希望的潜力。

Nov, 2023

利用图注意力网络的自动建筑布局生成方法，支持任意道路网络，生成逼真的城市布局，并基于学习先验条件生成，相较先前的布局生成网络表现出卓越性能，为 28 个大城市生成不同建筑形状的布局。

Jul, 2023

基于收集的数据集，本文提出了一种名为 AETree 的树状自动编码器神经网络，用于城市生成。该模型利用空间几何距离测量建筑布局的相似性，通过构建二叉树来提取和合并空间信息，最终实现了 2D 和 3D 城市生成。此外，AETree 学到的潜在特征可用于城市规划应用。

Sep, 2023

使用地球观测和深度学习方法，该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割，以实现相对较高的像素度量分数，进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果，并以黎巴嫩为案例，成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。

Apr, 2024