Advanced Cluster and Predictive Analysis Tool Development for Commercial Office Real Estate Energy Usage
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,017 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».