🤖 machine learning

RESCAST-100K: A Comprehensive Dataset for Cross-Domain Residential Load and Indoor Temperature Forecasting

Dieses Paper führt RESCAST-100K ein, einen groß angelegten Benchmark, der 100.000 simulierte und fünf reale Wohnungsdatensätze umfasst, die darauf ausgelegt sind, die domänenübergreifende Generalisierung für die kurzfristige Vorhersage der Energielast und der Innentemperatur unter Verwendung fortschrittlicher Architekturen des maschinellen Lernens systematisch zu evaluieren und zu verbessern.

Ursprüngliche Autoren: Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri

Veröffentlicht 2026-06-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen einem Schüler beizubringen, das Wetter innerhalb eines Hauses vorherzusagen. Das Problem ist, dass jedes Haus anders ist: Einige sind in einem heißen Florida, andere in einem kalten Minnesota; einige haben Ziegelwände, andere Holz; einige nutzen Gasheizungen, andere Wärmepumpen.

Wenn Sie den Schüler nur anhand der Daten eines spezifischen Hauses in einer spezifischen Stadt unterrichten, wird er wahrscheinlich scheitern, wenn Sie ihn bitten, die Temperatur in einem völlig anderen Haus vorherzusagen. Dies ist das große Problem bei der Energieprognose: Wir verfügen nicht über genügend Daten von jedem Haustyp, um ein perfektes Modell für jedes einzelne Haus zu trainieren.

Hier kommt RESCAST-100K ins Spiel.

Betrachten Sie dieses Paper als die Einführung eines massiven, hochintelligenten „Trainingsgyms“ für KI-Modelle. Hier ist das, was sie gebaut haben, einfach erklärt:

1. Die „virtuelle Stadt“ aus 100.000 Häusern

Anstatt darauf zu warten, Daten aus echten Häusern zu sammeln (was langsam, teuer und oft privat ist), nutzten die Autoren einen hochmodernen Simulator namens EnergyPlus, um einen digitalen Zwilling von 100.000 amerikanischen Häusern zu erstellen.

Die Vielfalt: Sie haben nicht einfach nur 100.000 identische Boxen erstellt. Sie haben eine diverse Stadt erschaffen. Sie variierten den Standort (Geografie), das Klima, die Wandmaterialien, die Heizsysteme und die Größe der Häuser.
Die Daten: Für jedes einzelne virtuelle Haus zeichneten sie drei Dinge alle 1 15 Minuten für ein ganzes Jahr auf:
1. Gesamte Energielast: Wie viel Strom das gesamte Haus verbraucht hat.
2. HVAC-Last: Wie viel Strom speziell für Heizung und Klimaanlage verbraucht wurde.
3. Innentemperatur: Wie warm oder kalt es drinnen war.
Der Kontext: Sie gaben der KI auch „Hinweise“ wie das Außentemperatur-Wetter, die Thermostat-Einstellungen und die statischen Details des Hauses (wie zum Beispiel „es hat eine Ziegelwand“).

2. Der „Trainings-Test“ (Cross-Domain Challenge)

Die wahre Magie dieses Datensatzes liegt nicht nur in seiner Größe; es liegt darin, wie sie ihn nutzen, um die KI zu testen.

Stellen Sie sich vor, Sie trainieren einen Schüler an Häusern in New York (kalt, Ziegelwände, Gasheizungen). Dann testen Sie ihn sofort an Häusern in Arizona (heiß, Stuckwände, Wärmepumpen). Dies wird als „Cross-Domain“-Test bezeichnet.

Die meisten alten Datensätze lassen den Schüler nur an Häusern testen, die er bereits gesehen hat. RESCAST-100K ermöglicht es Ihnen, spezifische „Herausforderungen“ aufzustellen:

Geografischer Shift: Im Norden trainieren, im Süden testen.
Klimatischer Shift: In einer feuchten Zone trainieren, in einer trockenen Zone testen.
Equipment-Shift: An Häusern mit Gasheizungen trainieren, an Häusern mit Wärmepumpen testen.

Dies hilft Forschern zu sehen, ob ihre KI tatsächlich „die Regeln der Physik lernt“ oder ob sie nur die spezifischen Häuser auswendig lernt, die sie studiert hat.

3. Das Problem des „fehlenden Puzzleteils“

In der realen Welt sind Daten oft unordentlich. Manchmal geht ein Sensor kaputt, oder ein Haus hat keinen intelligenten Thermostat, sodass der KI wichtige Hinweise fehlen (wie die Außentemperatur oder die Thermostat-Einstellung).

Die Autoren testeten ihre KI-Modelle, indem sie Teile dieser Daten während des Trainings absichtlich versteckten. Sie wollten wissen: Kann die KI immer noch eine gute Schätzung abgeben, wenn ihr der Wetterbericht oder die Thermostat-Einstellung fehlt?

4. Die Ergebnisse: Wer hat das Spiel gewonnen?

Sie testeten verschiedene Arten von KI-„Gehirnen“ (Architekturen), um zu sehen, welche die härtesten, wechselnden Bedingungen bewältigen kann.

Die Verlierer: Traditionelle Modelle (wie einfache Rekurrente Neuronale Netze) und Standard-„Transformer“-Modelle (die Art von Modellen, die viele moderne KI-Tools antreiben) hatten Schwierigkeiten, wenn sich der Haustyp änderte. Sie wurden verwirrt, wenn sich die Regeln von kalten Klimazonen zu heißen Klimazonen verschoben.
Die Gewinner: Zwei spezifische Arten von Modellen schnitten am besten ab:
1. MLP-Mixer (TSMixer): Diese Modelle sind sehr gut darin, alle verschiedenen Hinweise (Wetter, Wandtyp usw.) gleichzeitig zu betrachten und sie miteinander zu vermischen, um Muster zu finden. Sie waren am besten darin, den Energieverbrauch vorherzusagen.
2. Cross-Attention-Modelle (TimeXer): Diese Modelle sind gut darin, sich auf die spezifische „Geschichte“ der Temperaturhistorie des Hauses zu konzentrieren, während sie gleichzeitig andere externe Faktoren berücksichtigen. Sie waren am besten darin, die tatsächliche Innentemperatur vorherzusagen.

Wichtigste Erkenntnis: Die Modelle, die gut darin waren, mit „fehlenden Daten“ und „unterschiedlichen Haustypen“ umzugehen, waren diejenigen, die diese fortgeschrittenen Mixing- und Attention-Techniken verwendeten.

5. Der „Sim-to-Real“-Realitätscheck

Schließlich nahmen die Autoren ihre, auf den 100.000 virtuellen Häusern trainierten Modelle und testeten sie auf fünf realen Datensätzen (echte Häuser, in denen echte Menschen leben).

Das Ergebnis: Wie erwartet, waren die Modelle bei echten Häusern nicht perfekt, da echte Menschen unvorhersehbar sind (sie öffnen Fenster, lassen Lichter an usw., auf eine Weise, die der Simulator nicht vorausgesehen hat, etc.).
Der Lichtblick: Selbst ohne ein erneutes Training auf den Realdaten waren die Modelle, die auf der virtuellen Stadt trainiert wurden, überraschend gut darin, die allgemeine Form des Energieverbrauchs vorherzusagen (probabilistische Prognose). Sie waren besser darin zu sagen: „Es wird wahrscheinlich zwischen 50 und 60 kWh liegen“, als die exakte Zahl zu erraten.

Zusammenfassung

Das Paper stellt RESCAST-100K vor, einen massiven, konfigurierbaren Datensatz von 100.000 simulierten US-Häusern. Er dient als strenger Testplatz, um zu prüfen, ob eine KI lernen kann, den Energieverbrauch in jedem Haus vorherzusagen, selbst wenn sie diesen spezifischen Haustyp noch nie zuvor gesehen hat. Sie fanden heraus, dass fortgeschrittene KI-Modelle (Mixer und Cross-Attention) wesentlich besser darin sind, sich an neue Umgebungen anzupassen und mit fehlenden Daten umzugehen, als ältere Modelle, was einen vielversprechenden Weg für ein intelligenteres Energiemanagement in der Zukunft eröffnet.

Technisches Resümee: RESCAST-100K

Problemstellung

Eine präzise Kurzfristprognose der elektrischen Last und der Innentemperatur in Wohngebäuden ist entscheidend für das Energiemanagement in Haushalten, die Netzbalance und die Laststeuerung (Demand Response). Die Entwicklung robuster Modelle wird jedoch durch Datenknappheit, Fragmentierung und Datenschutzbedenken im Wohnbereich erschwert. Bestehende Deep-Learning-Ansätze benötigen typischerweise große Mengen an historischen Daten aus der Zieldomäne, die jedoch selten verfügbar sind. Darüber hinaus weisen Wohnumgebungen eine multidimensionale Heterogenität auf (Geografie, Klima, Gebäudehülle, HLK-Systeme), die zu ausgeprägten Verteilungsverschiebungen führt, was die domänenübergreifende Generalisierung erschwert.

Aktuelle Benchmarks leiden unter erheblichen Einschränkungen:

Enger Fokus: Viele Datensätze konzentrieren sich auf Nichtwohngebäude oder lassen wichtige Zielgrößen wie die HLK-Last und die Innentemperatur vermissen.
Fehlende Kovariaten: Bestehende Ressourcen lassen oft exogene Variablen (Wetter, Steuerungs-Signale) oder statische Gebäudeeigenschaften aus, die für die Generalisierung notwendig sind.
Mangelnde Unterstützung für Domänenübergreifung: Wenige Datensätze unterstützen eine systematische Evaluierung unter kontrollierten Domänenverschiebungen oder integrieren synthetische und reale Daten unter einem einheitlichen Schema, was eine „Sim-to-Real“-Evaluierung schwierig macht.

Methodik und Datensatzkonstruktion

Die Autoren führen RESCAST-100K ein, einen groß angelegten Benchmark zur Untersuchung der domänenübergreifenden Generalisierung in der Wohngebäude-Prognose.

Zusammensetzung des Datensatzes

Skalierung: Ungefähr 100.000 US-Haushalte, abgeleitet aus ResStock und simuliert mittels EnergyPlus.
Auflösung: Zeitreihendaten mit einer Frequenz von 15 Minuten.
Zielgrößen: Drei gekoppelte Zielgrößen pro Haushalt:
1. Gesamte elektrische Last (kWh)
2. HLK-Last (kWh)
3. Innentemperatur (°F)
Merkmale:
- Exogene dynamische Eingaben: Wetterkanäle (trockene/feuchte Bulbus-Temperatur, Luftfeuchtigkeit, Wind, Strahlung) und HLK-Sollwerte.
- Statische Kovariaten: Über 40 Gebäudeeigenschaften einschließlich Geografie, Klimazone, Wandkonstruktion, Fundamenttyp und HLK-Ausrüstung.
Integration realer Daten: Der Benchmark integriert fünf reale Datensätze für Wohngebäude (ECOBEE, HEAPO, IDEAL, NEST, REFIT) unter einem einheitlichen Schema, um eine Sim-to-Real-Evaluierung zu ermöglichen.

Konfigurationsgesteuerte Abstraktion der Domäne

Ein Kernmerkmal von RESCAST-100K ist seine konfigurationsgesteuerte Schnittstelle (YAML-basiert), die es Benutzern ermöglicht, Quell- und Zieldomänen entlang interpretierbarer Achsen zu instanziieren:

Geografie (Bundesstaat, Region)
Klimazone (ASHRAE/IECC)
Gebäudehülle (Wandtyp, Konstruktion)
HLK-Ausrüstung (Heiztechnologie)

Dies ermöglicht eine systematische Evaluierung von Transfer Learning, Domain Adaptation und Zero-Shot-Generalisierung unter kontrollierten Verteilungsverschiebungen.

Experimenteller Aufbau

Die Autoren formulieren das Problem als probabilistische Prognose mit fehlenden Kovariaten.

Aufgabe: Vorhersage einer Trajektorie der Länge $L_f$ (96 Zeitschritte/1 Tag) gegeben einen Kontext von $L_c$ (384 Zeitschritte/4 Tage) und statischen Attributen.
Robustheit: Ein stochastischer Maskierungsoperator simuliert fehlende dynamische Kanäle (Wetter, Sollwerte) und statische Kovariaten, um die Robustheit des Modells zu testen.
Benchmarkte Modelle: Die Studie evaluiert sechs Modellfamilien:
- Rekurrent: Encoder-LSTM (LSTM-E), Encoder-Decoder-LSTM (LSTM).
- Transformer-basiert: Transformer, TimeXer, PatchTST.
- Mixer-basiert: TSMixer.
- Robuste Varianten: Modelle wurden modifiziert (z. B. LSTM-R, Transformer-R), um mit fehlenden Daten umzugehen.
Metriken: Normalisierter Root Mean Square Error (NRMSE) für die Punktgenauigkeit und der Continuous Ranked Probability Score (CRPS) für die probabilistische Genauigkeit.

Wichtigste Ergebnisse

1. In-Domain-Leistung

Unter vollständiger Datenverfügbarkeit erzielten Transformer-basierte und TimeXer-Modelle im Allgemeinen die beste Genauigkeit. Wenn jedoch Daten fehlten, übertrafen TSMixer und TimeXer konsistent die klassischen LSTMs und Standard-Transformer, was eine überlegene Robustheit gegenüber unvollständigen Eingaben demonstrierte.

2. Domänenübergreifende Zero-Shot-Generalisierung

Evaluierung über vier Kategorien von Domänenverschiebungen (Bundesstaat, Klimazone, Wandtyp, Heiztechnologie):

Lastprognose (Gesamt & HLK): TSMixer-R erreichte konsistent den niedrigsten NRMSE und CRPS über alle Domänenkategorien hinweg, dicht gefolgt von TimeXer-R.
- Beobachtung: MLP-Mixer-Modelle scheinen Abhängigkeiten von exogenen Merkmalen besser zu erlernen, indem sie diese während des Mixings mehrfach verarbeiten, im Vergleich zu einzelnen Attention-Operationen.
Temperaturprognose: TimeXer-R erzielte die beste Genauigkeit.
- Beobachtung: Die Verwendung von Self-Attention auf dem Zielwert durch TimeXer (zur Beibehaltung der thermischen Trägheit) in Kombination mit Cross-Attention für den Einfluss exogener Variablen erwies sich als überlegen, um die glatten, durch Sollwerte gesteuerten thermischen Dynamiken zu erfassen.
Baseline-Leistung: Rekurrente Modelle (LSTM) und Standard-Transformer verschlechterten sich unter Domänenverschiebungen erheblich (oft um eine Größenordnung), insbesondere bei der Temperaturprognose.

3. Sim-to-Real-Evaluierung

Wenn mit synthetischen Daten trainierte Modelle zero-shot auf fünf realen Datensätzen getestet wurden:

Punktgenauigkeit: Der NRMSE verschlechterte sich aufgrund der Sim-to-Real-Lücke erheblich, wie ohne Fine-Tuning zu erwarten war.
Probabilistische Genauigkeit: Die CRPS-Werte blieben relativ niedrig und konsistent. TSMixer-R und TimeXer-R behielten die beste Leistung bei.
Implikation: Die probabilistische Vortrainierung auf synthetischen Daten überträgt sich zuverlässiger auf reale Häuser als die Punktprognose-Genauigkeit, was darauf hindeutet, dass Modelle die allgemeine Verteilungsform des Zielsignals auch ohne Zieldomänen-Daten erfassen.

Beiträge und Bedeutung

Das Paper beansprucht die folgenden primären Beiträge:

RESCAST-100K Datensatz: Ein groß angelegter (100k Häuser), Multi-Target-Datensatz mit einer konfigurationsgesteuerten Schnittstelle zur Untersuchung der domänenübergreifenden Prognose entlang Achsen wie Geografie, Klima und Konstruktion.
Einheitliches Schema: Integration von hochpräzisen physikbasierten Simulationen mit fünf realen Datensätzen, was eine rigorose Sim-to-Real-Evaluierung ermöglicht, die zuvor in diesem Maßstab nicht verfügbar war.
Benchmarking-Erkenntnisse: Die systematische Evaluierung von rekurrenten, Attention- und Mixer-Architekturen zeigt, dass Cross-Attention- und MLP-Mixer-basierte Modelle unter Domänenverschiebungen und Bedingungen mit fehlenden Daten konsistent besser abschneiden als rekurrenten und klassischen Transformer-Baselines.

Bedeutung:
Die Autoren positionieren RESCAST-100K als notwendige Ressource, um die Gemeinschaften der maschinellen Lernens und der Gebäudeanalytik voranzubringen. Durch die Bereitstellung eines standardisierten, groß angelegten Benchmarks für die domänenübergreifende Generalisierung adressieren sie das „Fehlen umfassender Datensätze für Wohngebäude“, welches den Fortschritt in Transfer Learning und Domain Adaptation für Wohnenergiesysteme begrenzt hat. Die Ergebnisse legen nahe, dass spezifische architektonische Entscheidungen (Mixer und Cross-Attention) entscheidend sind, um die inhärente Heterogenität in der Wohngebäude-Energieprognose zu bewältigen.