Personalized federated learning for buildings energy consumption forecasting
Notice bibliographique
Résumé
Buildings' energy consumption forecasting is critical for energy saving and building maintenance. However, most studies only focus on centralized learning of one dataset, which ignores the data privacy and data shortage issue. Meanwhile, the difference in energy data distributions from many buildings causes difficulties in training a good machine learning model. Although these two challenges of data privacy and data heterogeneity could be resolved through personalized federated learning algorithms to some degree, there is still a lack of investigation into applying these algorithms to building energy data analytics. Besides using existing personalized federated learning algorithms, we design a new deep learning model through a mixture of experts to support personalization for heterogeneous data distribution. This new design is the first trial to tackle the data heterogeneity through ensemble architecture in federated load forecasting. Extensive experiments are conducted to evaluate the effectiveness of our proposed model with different training algorithms. The results show that our proposed method outperforms other state-of-the-art models in energy forecasting accuracies by 10% to 40% across the buildings' energy data from university campuses. • Create a new personalized federated learning algorithm through deep learning architecture model design. • Develop a new transformer-based deep learning model called Metaformer, which reduces memory usage by 50%. • Improve buildings' energy forecasting accuracy by 10% to 40% compared to state-of-the-art models across 40 buildings.
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 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 | 0,000 | 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».