Conditional Distribution Estimation of Building Characteristics with Diffusion Models for Urban Energy Modeling

Título: Estimación de Distribución Condicional de Características de Edificios con Modelos de Difusión para la Modelación Energética Urbana

1. Problema

La modelación energética urbana (UBEM, por sus siglas en inglés) es crucial para predecir el consumo energético y optimizar la eficiencia en comunidades. Sin embargo, estos modelos requieren conjuntos de datos masivos y detallados a nivel de edificio individual (como área, tipo de HVAC, edad, ocupantes, etc.).

• Brecha de datos: En la realidad, estos datos detallados a menudo son desconocidos, costosos de obtener o simplemente no están disponibles. Fuentes como imágenes satelitales no siempre permiten inferirlos con fiabilidad.
• Limitaciones de los enfoques actuales: Utilizar especificaciones de prototipos por defecto (como en URBANopt) no captura la diversidad real de los edificios. Los conjuntos de datos sintéticos existentes (como ResStock) suelen proporcionar información a nivel regional (PUMA), careciendo de la resolución necesaria a nivel de edificio individual.
• Desafío de los datos tabulares: Los datos de edificios son inherentemente heterogéneos (mezcla de variables continuas y discretas/categóricas), lo que dificulta el uso de modelos generativos tradicionales que suelen estar diseñados para un solo tipo de dato.

2. Metodología

Los autores proponen un marco de trabajo basado en modelos de difusión condicional para imputar (rellenar) características de edificios faltantes basándose en atributos observados.

• Modelo Base: Se adapta TabDDPM (Tabular Denoising Diffusion Probabilistic Model), un modelo diseñado específicamente para datos tabulares.
• Enfoque Híbrido: El modelo maneja simultáneamente características heterogéneas:
  • Variables Numéricas: Se modelan mediante un proceso de difusión Gaussiana.
  • Variables Categóricas: Se modelan mediante un proceso de difusión Multinomial.
• Generación Condicional: El núcleo de la propuesta es la capacidad de generar valores para variables desconocidas ($x_{target}$) condicionadas a un conjunto de variables observadas ($x_{cond}$).
  • Mascaramiento Dinámico: Durante el entrenamiento, se aplica un enmascaramiento aleatorio a las filas de datos. El modelo aprende a predecir el "ruido" (para numéricas) o las "logits" (para categóricas) de las variables enmascaradas, utilizando las variables no enmascaradas como condición.
  • Arquitectura: Se utiliza una red neuronal MLP (Perceptrón Multicapa) que toma como entrada las características condicionales y las características objetivo ruidosas, junto con el paso de tiempo de difusión.
• Datos de Entrenamiento: Se utilizó el conjunto de datos ResStock (2.2 millones de edificios residenciales en EE. UU.), que contiene características detalladas como metros cuadrados, sistemas HVAC, electrodomésticos y datos socioeconómicos.
• Entrenamiento: Se entrenaron dos variantes: un modelo de imputación mixta (numérico y categórico) y un modelo solo para características categóricas.

3. Contribuciones Clave

1. Marco de Generación Condicional: Desarrollo de un modelo TabDDPM condicional capaz de aprender distribuciones multivariadas complejas sobre características de edificios, generando valores realistas y diversos para cualquier combinación de características desconocidas.
2. Manejo de Heterogeneidad: El modelo gestiona eficazmente la mezcla de características discretas y continuas, un desafío común en los datos de inventario de edificios que los modelos anteriores (como GANs o VAEs) no resolvían óptimamente.
3. Aplicación en Flujo de Trabajo Energético: Demostración práctica de la integración del modelo generativo en un flujo de trabajo de modelación energética real (URBANopt), permitiendo la creación de conjuntos de datos completos a partir de información parcial.
4. Generalización Geográfica: A diferencia de enfoques anteriores que entrenan modelos específicos por distrito, este modelo se entrena una vez en el stock nacional de edificios, permitiendo su aplicación y generalización en regiones geográficas no vistas durante el entrenamiento (fuera de distribución).

4. Resultados

La evaluación se realizó mediante métricas estadísticas, análisis de distribución y un estudio de caso en Baltimore.

• Calidad de la Distribución:
  • Se compararon las distribuciones generadas contra las reales utilizando la distancia de Wasserstein (numéricas) y la distancia Jensen-Shannon (categóricas).
  • El modelo superó significativamente a las líneas base aleatorias y mostró una alta fidelidad en la reproducción de distribuciones univariadas y bivariadas.
  • Se observó un rendimiento robusto en datos de prueba fuera de distribución (OOD), demostrando que el modelo puede generalizar a nuevas ubicaciones geográficas.
• Precisión de Puntos (Reconstrucción):
  • El modelo logró menores errores cuadráticos medios (RMSE) y mayor precisión en comparación con métodos deterministas (como XGBoost) y baselines de moda/media, especialmente en escenarios con múltiples variables faltantes.
• Estudio de Caso (Baltimore):
  • Se aplicó el modelo a un vecindario de 77 edificios con datos parciales. Se imputaron hasta 10 características faltantes simultáneamente.
  • Resultado Energético: Los perfiles de carga energética simulados por URBANopt utilizando los datos generados se mantuvieron dentro de un margen de error del ±10% respecto a los perfiles generados con un conjunto de datos de referencia curado, incluso con un tercio de las características enmascaradas.
  • Limitación: Se detectó un fenómeno de "colapso de modo" en algunas variables muy específicas (como el tipo de combustible de calentadores), donde el modelo tiende a predecir un único valor determinista en lugar de una distribución probabilística, aunque esto no afectó drásticamente los resultados agregados de energía.

5. Significado e Impacto

Este trabajo representa un avance significativo en la modelación energética urbana:

• Automatización de Datos: Reduce la dependencia de la curación manual de datos y la necesidad de mediciones físicas costosas para cada edificio.
• Viabilidad de Escala: Permite realizar modelaciones energéticas de alta resolución (nivel de edificio) en distritos completos, algo que antes era prohibitivo debido a la falta de datos.
• Herramienta para la Transición Energética: Al proporcionar datos de entrada más completos y realistas, facilita la identificación de oportunidades de eficiencia energética y la planificación de estrategias de descarbonización a nivel comunitario.
• Innovación Técnica: Es uno de los primeros trabajos que demuestra el potencial de los modelos de difusión (superiores a GANs en este contexto) para la síntesis de datos tabulares heterogéneos en el dominio de la ingeniería energética.

En resumen, la propuesta demuestra que la generación condicional basada en difusión puede cerrar la brecha de datos en el inventario de edificios, permitiendo flujos de trabajo de modelación energética más precisos, escalables y eficientes.