RESCAST-100K：面向跨领域住宅负荷与室内温度预测的综合数据集

arXiv cs.LG 论文
dataset energy-forecasting transfer-learning domain-adaptation zero-shot-learning residential benchmark

摘要

介绍RESCAST-100K，一个用于跨领域住宅负荷与室内温度预测的大规模基准数据集，包含模拟与真实数据，支持迁移学习、域适应和零样本泛化的评估。

arXiv:2606.02852v1 公告类型：新 摘要：住宅能源负荷与室内温度的准确短期预测对家庭能源管理系统、电网需求响应以及社区能效提升至关重要。域适应和迁移学习已被证明能有效改善住宅场景中常见的数据异构性和稀缺性问题下的预测精度。然而，由于缺乏全面的住宅数据集，研究进展受限：现有基准覆盖范围狭窄，且很少支持结构化的跨领域评估。我们提出RESCAST-100K，一个用于研究跨领域泛化的大规模住宅预测基准。它提供配置驱动接口，可沿可解释的轴（如地理位置、气候区、墙体构造和供暖设备）实例化源域和目标域，从而在可控域偏移下系统评估迁移学习、域适应和零样本泛化。该基准涵盖约10万个基于ResStock的EnergyPlus仿真美国住宅，每个住宅包含三个耦合目标的15分钟时间序列：总负荷、暖通空调负荷和室内温度。这些数据配有天气通道、暖通空调设定点以及超过40个静态建筑协变量。RESCAST-100K还以统一模式整合了五个真实世界住宅数据集，支持相同任务上的仿真到真实评估。我们以循环神经网络、注意力机制和MLP混合器架构为基准，测试其在跨领域、缺失输入条件和预测任务下的零样本性能。跨注意力模型和MLP混合器在域偏移下持续优于循环神经网络和经典Transformer基线。RESCAST-100K旨在帮助机器学习和建筑分析社区在家庭、社区和电网尺度上推进跨领域住宅预测。
查看原文
查看缓存全文

缓存时间: 2026/06/03 09:40 

# RESCAST-100K：面向跨领域住宅负荷与室内温度预测的综合性数据集
来源：https://arxiv.org/abs/2606.02852
查看PDF（https://arxiv.org/pdf/2606.02852）

> 摘要：准确预测住宅能源负荷与室内温度的短期变化，对于家庭能源管理系统、电网级需求响应以及社区能效提升至关重要。领域适应与迁移学习有望在住宅场景常见的异质性和稀疏性数据下提升预测精度，但进展受限于缺乏全面的住宅数据集：现有基准数据集目标覆盖范围狭窄，且很少支持结构化的跨领域评估。为此，我们推出 RESCAST-100K——一个用于研究跨领域泛化的大规模住宅预测基准。该基准提供配置驱动接口，可沿地理、气候区、墙体构造和供暖设备等可解释的轴实例化源域与目标域，从而在可控领域偏移下系统评估迁移学习、领域适应与零样本泛化。基准覆盖约10万套基于ResStock的EnergyPlus模拟美国住宅，每套住宅提供15分钟间隔的三种耦合目标时间序列：总负荷、暖通空调（HVAC）负荷及室内温度。同时配以天气通道、暖通空调设定点及超过40个静态建筑协变量。RESCAST-100K还以统一架构整合了五个真实世界住宅数据集，支持相同任务上的仿真到真实评估。我们针对循环神经网络、基于注意力的架构以及MLP混合器架构，在跨领域、缺失输入条件及不同预测任务下进行了零样本性能的基准测试。交叉注意力与MLP混合器模型在领域偏移下始终优于循环神经网络与经典Transformer基线。RESCAST-100K旨在助力机器学习与建筑分析社区，在家庭、社区及电网尺度上推进跨领域住宅预测。

## 提交历史

来自：Jainam Dhruva [查看电子邮件](https://arxiv.org/show-email/552d5901/2606.02852) **\[v1\]** 2026年6月1日星期一 20:17:16 UTC (693 KB)

相似文章

时态分布偏移下的域自适应气候降尺度

arXiv cs.LG

本文研究了基于深度学习的气候降尺度中的时态分布外偏移问题，并提出了一种域自适应框架，该框架结合了监督重建与域对齐，以在非平稳条件下改进高分辨率气候预测。