[論文レビュー] Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network

Yuqing Hu, Xiaoyuan Cheng+4 more|arXiv (Cornell University)|May 27, 2021

Energy Load and Power Forecasting参考文献 53被引用数 5

ひとこと要約

本論文は、建物間の依存関係と時空間的ダイナミクスを捉えることで、都市部の建物エネルギー消費予測を向上させるグラフ畳み込みニューラルネットワークベースのモデル（ST-GCN）を提案する。アトランタのダウンタウンに位置する大学キャンパスで評価された結果、ST-GCNモデルは従来の時系列モデルを上回り、埋め込まれた物理的知識により、より高い精度と解釈可能性を示した。

ABSTRACT

The world is increasingly urbanizing and the building industry accounts for more than 40% of energy consumption in the United States. To improve urban sustainability, many cities adopt ambitious energy-saving strategies through retrofitting existing buildings and constructing new communities. In this situation, an accurate urban building energy model (UBEM) is the foundation to support the design of energy-efficient communities. However, current UBEM are limited in their abilities to capture the inter-building interdependency due to their dynamic and non-linear characteristics. Those models either ignored or oversimplified these building interdependencies, which can substantially affect the accuracy of urban energy modeling. To fill the research gap, this study proposes a novel data-driven UBEM synthesizing the solar-based building interdependency and spatial-temporal graph convolutional network (ST-GCN) algorithm. Especially, we took a university campus located in downtown Atlanta as an example to predict the hourly energy consumption. Furthermore, we tested the feasibility of the proposed model by comparing the performance of the ST-GCN model with other common time-series machine learning models. The results indicate that the ST-GCN model overall outperforms all others. In addition, the physical knowledge embedded in the model is well interpreted. After discussion, it is found that data-driven models integrated engineering or physical knowledge can significantly improve the urban building energy simulation.

研究の動機と目的

• 既存の都市部建物エネルギー予測モデルが、動的で非線形的な建物間依存関係を捉えられていないという限界を解決すること。
• 物理的知識とグラフ畳み込みニューラルネットワークを統合したデータ駆動型モデルを構築し、予測精度を向上させること。
• 提案されたST-GCNモデルの性能を、実都市エネルギーサイクルにおける従来の時系列機械学習モデルと比較して評価すること。

提案手法

• 太陽放射と距離に基づいて建物間の関係性を表す空間的グラフを構築し、物理的依存関係を符号化する。
• 時空間的グラフ畳み込みネットワーク（ST-GCN）を用いて、建物間の時系列的ダイナミクスと空間的相関をモデル化する。
• 米国アトランタのダウンタウンに位置する大学キャンパスの、1時間ごとのエネルギー消費データを用いてモデルを訓練する。
• 日射量や建物の向きといった物理的知識を、グラフ構造に埋め込むことで、解釈可能性と性能を向上させる。
• ST-GCNフレームワークは、グラフ畳み込み層を用いて、時間経過に伴い隣接建物からの特徴を統合する。
• RMSEやMAEなどの指標を用いて、LSTM、GRU、XGBoostといった標準的な時系列モデルと比較して、モデルの性能をベンチマークする。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みニューラルネットワークは、都市部エネルギー消費予測における建物間依存関係を効果的にモデル化できるか？
• RQ2 太陽放射などの物理的知識の統合は、データ駆動型エネルギー予測モデルの精度と解釈可能性をどのように向上させるか？
• RQ3 提案されたST-GCNモデルは、従来の時系列モデルを上回って都市部建物エネルギー消費を予測できるか？

主な発見

• ST-GCNモデルは、比較対象の全モデルの中で最小のRMSEとMAEを達成し、優れた予測精度を示した。
• グラフ構造に物理的知識を組み込むことで、モデルの解釈可能性と性能が向上した。
• 従来のモデルが表現できなかった複雑で非線形的な建物間依存関係を、モデルは効果的に捉えた。
• ケーススタディにおいて、ST-GCNモデルは異なる時間スパンや天候条件に対しても高いロバスト性を示した。
• エンジニアリング的および物理的知識をデータ駆動型モデルに統合することで、都市部エネルギーシミュレーションの精度が著しく向上することが確認された。