TopoBrick: 面向零样本建筑物联网预测的外生变量代理拓扑采样

# TopoBrick: 面向建筑物联网零样本预测的外生变量智能拓扑采样

来源：https://arxiv.org/html/2607.06349
\(2009年6月5日\)

###### 摘要。

建筑传感器嵌入于物理拓扑、空间层次和运行情境之中，然而现有的预测模型往往将其视为孤立的时间序列，或依赖于固定的协变量集。我们提出TopoBrick，一种无需训练的建筑物联网（IoT）零样本预测框架。TopoBrick利用建筑知识图谱构建紧凑的结构骨架，并采用智能拓扑采样器选取目标特定的外生变量。所选变量按部署时的可用性进行组织，将过去已知的传感器状态与未来已知的日历、调度和气象外生变量分开。在三个真实建筑上，TopoBrick优于强大的零样本基础模型基线，并与完全训练的建筑特定模型竞争力相当。消融实验表明，拓扑感知采样比随机、仅本体或固定跳跃选择更可靠，尤其对于物理耦合的HVAC和天气驱动的传感变量。本工作的代码可在https://github.com/Dawnlxc/TopoBrick.git获取。

建筑物联网预测，建筑知识图谱，零样本预测，拓扑感知预测，Brick架构

††版权:acm授权††出版年份:2018††DOI:XXXXXXX.XXXXXXX††会议:请从权限确认邮件中填写正确的会议标题；2018年6月03–05日，纽约州伍德斯托克††ISBN:978-1-4503-XXXX-X/2018/06††CCS:信息系统 时空系统††CCS:计算方法 机器学习††CCS:计算方法 知识表示与推理††CCS:计算机系统组织 传感器网络††CCS:应用计算 工程

## 1. 引言

现代建筑是密集的信息物理系统，配有数百到数千个传感、控制和运行点。这些点测量室内温度、湿度、压力、气流、电力需求、设备模式、设定点、阀门和风门命令以及室外条件。准确预测这些建筑传感器时间序列对于需求灵活性、故障检测、预测控制和电网互动运行至关重要。与通用的多元时间序列基准不同，建筑传感器数据并非一个平坦的独立通道集合。每个传感器都嵌入在物理和空间结构中：它附着于设备，位于房间或区域中，由空气或水路提供服务，并通过控制回路与设定点、执行器指令和测量响应相耦合。因此，辅助信号的相关性不仅取决于其数值历史，还取决于其在建筑中的位置以及与目标传感器的物理或运行连接方式。现有预测方法在很大程度上忽略了这种结构。通道独立模型分别预测每个传感器，而多元模型则从固定的变量集中学习依赖关系。这两种设置都假设输入变量已经已知且对齐。时间序列基础模型进一步实现了零样本预测而无需任务特定训练，但它们仍然将外生变量视为预定义的平坦集合，没有提供原则性机制来决定建筑中众多可用点中哪些应作为给定目标的外生变量。相反，训练建筑特定模型可以利用局部模式，但每个新部署的建筑都需要历史数据、调优和集成工作，限制了在不同建筑组合中的可扩展性。建筑知识图谱是结构先验的自然来源。语义建筑架构如Brick和Project Haystack将建筑表示为设备、位置、系统和点的图，包含包含关系、点附着和物理流动等关系。原则上，此图提供了预测所需的物理和空间上下文。然而实际上，直接使用建筑知识图谱并非易事。建筑图是异质且分层的：设备或位置等节点不携带时间序列读数，只有点节点流式传输数据。简单的图距离启发式（如固定kk跳邻域）可能具有误导性，因为物理相关的点可能相隔多个结构跳，而高度数的设备或建筑级节点可能扩展到许多无关的点。学习的图编码器会引入额外的训练和架构对齐要求，与零样本部署设置相冲突。因此，挑战不仅在于预测传感器值，还在于从异质建筑知识图谱中识别目标特定的外生变量，而无需建筑特定训练。本文将零样本建筑传感器预测视为一个拓扑感知的外生变量选择问题。核心思想是利用建筑知识图谱作为路由层：模型不应依赖于所有可用点或仅通过本体类别或图距离来检索传感器，而应选择物理上合理、运行上有意义且在实际部署约束下可用的外生变量。

我们提出TopoBrick，一种用于零样本建筑传感器预测的免训练框架。TopoBrick首先将原始建筑知识图谱提炼为紧凑的建筑骨架，保留设备流动、空间包含和结构关系，同时将点叶子节点与拓扑遍历分离。给定一个目标点，智能拓扑采样器在目标中心的骨架上下文中进行推理，生成结构化采样动作以选择相关外生变量。一个基于知识图谱的验证器在将动作确定性地实例化为时间序列输入之前对其进行审核。然后，所选变量按部署时的可用性进行组织：过去已知的传感器和设备状态仅在历史窗口内提供，而未来已知的日历、调度和气象变量则在历史和预测范围内都提供。这使得冻结的时间序列基础模型能够利用建筑特定上下文，而无需更新模型参数或泄露未来观测值。

本工作的贡献总结如下：

- • 将零样本建筑传感器预测形式化为一个在异质建筑知识图谱上的拓扑感知外生变量选择问题。
- • 提出TopoBrick，一个零样本流水线，通过构建紧凑的建筑骨架并使用带有知识图谱验证的智能拓扑采样器来选择目标特定的外生变量。
- • 设计了一个符合部署实际条件的预测设置，将过去已知和未来已知的外生变量分开，并在三个真实建筑上针对零样本时间序列基础模型和完全训练的建筑特定预测器进行评估。

本文其余部分组织如下。第2节（https://arxiv.org/html/2607.06349#S2）回顾相关工作。第3节（https://arxiv.org/html/2607.06349#S3）介绍提出的方法论。第4节（https://arxiv.org/html/2607.06349#S4）呈现实验结果。第5节（https://arxiv.org/html/2607.06349#S5）和第6节（https://arxiv.org/html/2607.06349#S6）分别提供讨论和结论。

## 2. 相关工作

### 2.1. 时间序列预测

随着深度学习的出现，时间序列预测取得了快速发展。早期的基于Transformer的方法，如Informer（Zhou等，2021 (https://arxiv.org/html/2607.06349#bib.bib13)），引入了稀疏注意力机制以高效处理长序列。后续工作质疑了注意力的必要性：DLinear（Zeng等，2023 (https://arxiv.org/html/2607.06349#bib.bib6)）表明简单的线性模型可以在标准基准上匹敌甚至超越复杂的Transformer，这重新引发了人们对模型设计的关注。PatchTST（Nie等，2022 (https://arxiv.org/html/2607.06349#bib.bib5)）证明了将输入序列分块并独立处理通道能大幅提升Transformer性能，而iTransformer（Liu等，(https://arxiv.org/html/2607.06349#bib.bib14)）反转了注意力机制，使其跨变量而非时间步操作。TimeMixer（Wang等，(https://arxiv.org/html/2607.06349#bib.bib7)）利用多尺度混合来捕捉不同时间分辨率下的模式，TimeXer（Wang等，2024 (https://arxiv.org/html/2607.06349#bib.bib9)）则明确将外生变量纳入预测过程。

最近，大型语言模型（LLM）已被适应于时间序列。GPT4TS（Zhou等，2023 (https://arxiv.org/html/2607.06349#bib.bib15)）将冻结的预训练语言模型重新用作通用时间序列骨干，TimeLLM（Jin等，2024 (https://arxiv.org/html/2607.06349#bib.bib18)）将输入序列重新编程为语言模态以对齐LLM表示，GPT4MTS（Jia等，2024 (https://arxiv.org/html/2607.06349#bib.bib37)）将该范式扩展到多模态时间序列。虽然有效，但这些方法通常需要任务数据集特定的训练。

另一条互补的工作路线是开发支持跨域零样本预测而无需每项任务训练的时间序列基础模型。Chronos（Ansari等，2024 (https://arxiv.org/html/2607.06349#bib.bib17), 2025 (https://arxiv.org/html/2607.06349#bib.bib21)）将时间序列分词并在大规模语料上训练以实现零样本迁移。TimesFM（Das等，2023 (https://arxiv.org/html/2607.06349#bib.bib49)）采用仅解码器架构，在多样化数据集上预训练，Moirai（Woo等，2024 (https://arxiv.org/html/2607.06349#bib.bib48); Liu等，2025 (https://arxiv.org/html/2607.06349#bib.bib47)）提供了一个统一模型，处理任意频率和变量数量。尽管取得了这些进展，这些方法主要是在精心策划的基准上进行开发和评估，其中变量集是固定且预对齐的，它们在建筑物联网设置中留下了两个未解决的假设。首先，通道独立和隐式多元模型没有原则性方法来决定建筑中成百上千个点中*哪些*应作为给定目标的外生变量，要么忽略交叉传感器结构，要么不加区分地条件于所有通道，引入噪声和成本。其次，训练的模型需要每个建筑或每个数据集的训练成本，这在异构建筑长尾部署中无法摊销。基础模型消除了训练成本，但仍将外生变量视为给定的平坦集合，没有考虑使外生变量相关的空间、物理或控制关系。我们的工作建立在零样本基础模型范式之上，但提供了这个缺失的成分：一个免训练、与建筑无关的机制，利用建筑拓扑选择物理相关的外生变量，并在实际运行环境中将过去已知和未来已知的外生输入分开。

### 2.2. 建筑时间序列分析

越来越多的研究通过语义元数据的视角来研究建筑运行数据，特别是Brick本体，它将建筑表示为设备、位置、点及其物理空间关系的知识图谱。这类研究中有相当一部分针对*理解*元数据本身：将点和实体自动分类为Brick类别（Prabowo等，2025 (https://arxiv.org/html/2607.06349#bib.bib26)）解决了实际部署中遇到的噪声和标签不一致问题，而系统工作则展示了基于Brick结构化数据的端到端流水线（Lin等，2024 (https://arxiv.org/html/2607.06349#bib.bib24)）。建筑知识图谱也被用作更高层推理的骨干，包括在建筑知识图谱上的自然语言问答（Mulayim等，2025a (https://arxiv.org/html/2607.06349#bib.bib23), b (https://arxiv.org/html/2607.06349#bib.bib27)），其中图谱提供了解决关于建筑结构和操作查询所需的语义上下文。在分析方面，建筑时间序列已被研究用于诸如电力负荷预测等任务，包括隐私保护形式（Zaman等，2025 (https://arxiv.org/html/2607.06349#bib.bib28)），以及了解在疫情封锁等异常条件下运行模式如何变化（Prabowo等，2023 (https://arxiv.org/html/2607.06349#bib.bib31)）。这些研究既确立了建筑预测的实际重要性，也表明了语义元数据的价值，但它们通常将知识图谱视为单个建筑的标签或上下文来源，而不是作为可被利用进行可迁移跨建筑预测的结构。关键的是，这些研究方向都没有结合我们设置所需的两个能力。使用建筑元数据的预测方法仍然依赖于建筑特定训练或手工制作的协变量规则，而以知识图谱为中心的方法则侧重于检索或问答，而非驱动预测器。如何在一个包含大量非时间序列节点和不同本体完整性的异质分层建筑知识图谱上进行推理，以选择外生变量并以免训练、与建筑无关的方式进行预测，这个问题仍然开放。TopoBrick旨在填补这一空白，将零样本基础预测范式与建筑知识图谱中编码的丰富但异质的结构连接起来。

## 3. 方法论

见图1。TopoBrick流水线的可视化。（1）建筑骨架构建 （2）以目标为中心的拓扑上的智能推理，选择物理耦合的外生变量 （3）拓扑感知零样本预测器。

##### 概述。

TopoBrick通过将建筑知识图谱用作外生变量选择的路由层，实现零样本建筑传感器预测。图1（https://arxiv.org/html/2607.06349#S3.F1）展示了TopoBrick的整体流水线。给定一个目标点节点，该框架首先从原始知识图谱构建一个紧凑的建筑骨架，然后使用智能拓扑采样器选择物理和运行上相关的外生变量。所选变量在知识图谱证据上得到验证，被实例化为时间序列输入，并根据其部署时的可用性进行组织，然后传递给冻结的时间序列基础模型。

##### 符号。

设G=\(V,E\)G=\(V,E\)表示一个建筑知识图谱，其中VV是节点集，E⊆V×R×VE\subseteq V\times\mathcal{R}\times V是类型化关系集。设Vpt⊂VV_{\mathrm{pt}}\subset V为与时间序列读数关联的点节点集。我们用p∈Vptp\in V_{\mathrm{pt}}表示目标点节点，用y\(p\)\mathbf{y}^{(p)}表示其关联的目标时间序列。为pp选择的最终外生变量集记为E\(p\)⊆Vpt∖\{p\}\mathcal{E}(p)\subseteq V_{\mathrm{pt}}\setminus\{p\}。我们保留SS用于历史上下文长度，HH用于预测范围。

### 3.1. 智能拓扑采样器

智能拓扑采样器的目标是识别一个与给定目标点节点相关的外生变量紧凑集。建筑系统包含数百或数千个异质点，其中许多与特定目标无关。直接条件于所有可用点是不切实际的，并会引入