Advanced Cluster and Predictive Analysis Tool Development for Commercial Office Real Estate Energy Usage
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
From 2009-2015, REALPAC collected monthly energy usage and building characteristics for over 500 buildings in the 20 by ‘15 Energy Benchmarking Survey (REALPAC, 2009). While preliminary analysis had been completed on this dataset, this research undertook an in-depth statistical analysis of the data to identify trends and important variables. Eight machine learning algorithms were employed to predict energy usage as a function of previous energy use and select physical features. The dataset did not possess the appropriate variables to predict such usage accurately. Characteristics such as building system efficiency, construction assemblies, condition, compactness, and window to wall ratio are thus recommended for inclusion in future data-gathering initiatives. https://digital.library.ryerson.ca/islandora/object/RULA:8631/datastream/LAW_RSCR-4.80MB/view https://digital.library.ryerson.ca/islandora/object/RULA:8631/datastream/LAW-ExTa-428KB/view https://digital.library.ryerson.ca/islandora/object/RULA:8631/datastream/LAW-ExGa-5.62MB/view https://digital.library.ryerson.ca/islandora/object/RULA:8631/datastream/LAW-DATA-1.9MB/view
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle