Improving urban-scale building occupancy and energy use estimation using a transportation-informed building occupancy estimation framework
Notice bibliographique
Résumé
Buildings consume a significant portion of global energy, highlighting the importance of accurately estimating building energy use for effective urban energy management. Building occupancy profiles are a key factor in physics-based building energy estimation. Traditional Urban Building Energy Modeling (UBEM) tools often rely on deterministic standard schedules, such as those provided by ASHRAE, which fail to account for spatial and temporal diversity in building occupancy and use a single profile for all buildings within the same use type, leading to inaccuracies in energy estimation. While novel data sources like WiFi and Bluetooth can generate building occupancy profiles, these methods are typically suitable only for generating typical occupancy profiles for a limited number of buildings, ignoring the impact of building geographical location on occupancy patterns. This paper introduces a novel approach, the Transportation-Informed Building Occupancy (TIBO) model, which leverages urban-scale transportation data—including metro, bus, bike-sharing, and vehicle flow data—to generate individualized building occupancy profiles. Our approach addresses the limitations of existing methods by incorporating extensive real-world spatial transportation data. We applied the TIBO model to estimate building occupancy profiles across different districts in Montreal and compared these profiles with ground truth data and those derived from ASHRAE models. Our results show that the TIBO model improves occupancy profile accuracy by 55.29–62.52 % compared to ASHRAE profiles in our case study. Additionally, integrating these more realistic TIBO profiles into UBEM improved electricity use demand estimation by an average of 2.03–78.66 % across various city zones relative to using ASHRAE profiles. This study introduces a novel integrated urban system that connects building energy modeling with transportation systems, facilitating cross-sector analysis. It further highlights how transportation and mobility patterns are effective in refining the accuracy of building energy use models.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».