PulseAugur
中
实时 14:49:11
English(EN) Uncertainty-Aware Transfer Learning for Cross-Building Energy Forecasting: Toward Robust and Scalable District-Level Energy Management

AI框架通过迁移学习增强跨建筑能源预测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的迁移学习框架，用于不同建筑之间的能源预测，并利用了时间融合Transformer (TFT)。该方法旨在通过最少的目标域数据需求和可靠的不确定性估计，提高区域级能源管理的可扩展性和鲁棒性。该框架表现强劲，其中一种特定的微调策略优于完全模型重新训练，而蒙特卡洛Dropout则能有效估计预测区间。 AI

影响 通过使AI模型能够以更少的数据适应新建筑，这项研究可能带来更高效、可扩展的能源管理系统。

排序理由 该集群包含一篇详细介绍新型AI能源预测框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI框架通过迁移学习增强跨建筑能源预测能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Shadmehr Zaregarizi, Khashayar Yavari ·

    面向跨建筑能耗预测的不确定性感知迁移学习：迈向鲁棒且可扩展的区域级能源管理

    arXiv:2605.29733v1 Announce Type: new Abstract: Scaling data-driven energy forecasting to district level requires models that can be re-used across buildings with minimal target-domain data and honest uncertainty estimates. We present an uncertainty-aware transfer learning (TL) f…

相关实体

相关话题