🤖 machine learning

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

Este artículo presenta RESCAST-100K, un benchmark a gran escala que comprende 100.000 conjuntos de datos residenciales simulados y cinco del mundo real diseñados para evaluar y mejorar sistemáticamente la generalización entre dominios para la previsión de la carga energética a corto plazo y de la temperatura interior mediante arquitecturas avanzadas de aprendizaje automático.

Autores originales: Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri

Publicado 2026-06-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de enseñarle a un estudiante cómo predecir el clima dentro de una casa. El problema es que cada casa es diferente: algunas están en la calurosa Florida, otras en el frío Minnesota; algunas tienen paredes de ladrillo, otras de madera; algunas usan hornos de gas, otras bombas de calor.

Si solo le enseñas al estudiante usando datos de una casa específica en una ciudad específica, es probable que falle cuando le pidas que prediga la temperatura en una casa totalmente diferente. Este es el gran problema en el pronóstico de energía: no tenemos suficientes datos de cada tipo de casa para entrenar un modelo perfecto para cada una.

Entra RESCAST-100K.

Piensa en este artículo como la introducción de un enorme y superinteligente "gimnasio de entrenamiento" para modelos de IA. Esto es lo que construyeron, explicado de forma sencilla:

1. La "Ciudad Virtual" de 100.000 Hogares

En lugar de esperar a recolectar datos de casas reales (lo cual es lento, costoso y a menudo privado), los autores utilizaron un simulador de alta tecnología llamado EnergyPlus para crear un gemelo digital de 100.000 hogares estadounidenses.

La Variedad: No se limitaron a hacer 100.000 cajas idénticas. Crearon una ciudad diversa. Variaron la ubicación (geografía), el clima, los materiales de las paredes, los sistemas de calefacción y el tamaño de las viviendas.
Los Datos: Para cada casa virtual, registraron tres cosas cada 15 minutos durante un año entero:
1. Carga Energética Total: Cuánta electricidad consumió toda la casa.
2. Carga de HVAC: Cuánta electricidad usó específicamente la calefacción y el aire acondicionado.
3. Temperatura Interior: Qué tan caliente o fría estaba la temperatura dentro.
El Contexto: También le dieron a la IA "pistas" como el clima exterior, los ajustes del termostato y los detalles estáticos de la casa (como "tiene una pared de ladrillo").

2. La "Prueba de Entrenamiento" (Desafío de Dominio Cruzado)

La verdadera magia de este conjunto de datos no es solo su tamaño; es cómo lo usan para probar a la IA.

Imagina que entrenas a un estudiante con casas en Nueva York (fría, paredes de ladrillo, hornos de gas). Luego, inmediatamente lo pruebas con casas en Arizona (calurosa, paredes de estuco, bombas de calor). Esto se llama una prueba de "Dominio Cruzado" (Cross-Domain).

La mayoría de los conjuntos de datos antiguos solo permiten probar al estudiante con casas que ya ha visto. RESCAST-100K te permite configurar "desafíos" específicos:

Cambio de Geografía: Entrenar en el Norte, probar en el Sur.
Cambio de Clima: Entrenar en una zona húmeda, probar en una zona seca.
Cambio de Equipo: Entrenar con casas con hornos, probar con casas con bombas de calor.

Esto ayuda a los investigadores a ver si su IA está realmente "aprendiendo las reglas de la física" o si solo está memorizando las casas específicas que estudió.

3. El Problema de la "Pieza Faltante del Rompecabezas"

En el mundo real, los datos suelen ser desordenados. A veces un sensor se rompe, o una casa no tiene un termostato inteligente, por lo que a la IA le faltan pistas clave (como la temperatura exterior).

Los autores probaron sus modelos de IA ocultando intencionadamente algunos de estos datos durante el entrenamiento. Querían ver: ¿Puede la IA seguir haciendo una buena suposición si le falta el reporte del clima o el ajuste del termostato?

4. Los Resultados: ¿Quién Ganó el Juego?

Probaron varios tipos diferentes de "cerebros" de IA (arquitecturas) para ver cuál podía manejar estas condiciones difíciles y cambiantes.

Los Perdedores: Los modelos tradicionales (como las Redes Neuronales Recurrentes simples) y los modelos "Transformer" estándar (el tipo que impulsa muchas herramientas de IA modernas) tuvieron dificultades cuando el tipo de casa cambiaba. Se confundían cuando las reglas pasaban de climas fríos a climas cálidos.
Los Ganadores: Dos tipos específicos de modelos funcionaron mejor:
1. MLP-Mixers (TSMixter): Estos modelos son excelentes para observar todas las diferentes pistas (clima, tipo de pared, etc.) al mismo tiempo y mezclarlas para encontrar patrones. Fueron los mejores prediciendo el uso de energía.
2. Modelos de Atención Cruzada (TimeXer): Estos modelos son buenos para enfocarse en la "historia" específica del historial de temperatura de la casa mientras siguen prestando atención a factores externos. Fueron los mejores prediciendo la temperatura interior real.

Hallazgo Clave: Los modelos que fueron buenos manejando "datos faltantes" y "diferentes tipos de casas" fueron aquellos que utilizaron estas técnicas avanzadas de mezcla y atención.

5. La Verificación de Realidad "Sim-to-Real"

Finalmente, los autores tomaron los modelos entrenados en sus 100.000 hogares virtuales y los probaron en cinco conjuntos de datos del mundo real (casas reales con personas reales viviendo en ellas).

El Resultado: Como era de esperar, los modelos no fueron perfectos en las casas reales porque las personas reales son impredecibles (abren ventanas, dejan luces encendidas, etc., de formas que el simulador no predijo).
El Rayo de Esperanza: Incluso sin reentrenar con los datos reales, los modelos entrenados en la ciudad virtual fueron sorprendentemente buenos para adivinar la forma general del uso de energía (pronóstico probabilístico). Fueron mejores diciendo: "Es probable que esté entre 50 y 60 kWh", que al intentar adivinar el número exacto.

Resumen

El artículo presenta RESCAST-100K, un conjunto de datos masivo y configurable de 100.000 hogares estadounidenses simulados. Actúa como un riguroso campo de pruebas para ver si la IA puede aprender a predecir el uso de energía en cualquier casa, incluso si nunca ha visto ese tipo de casa antes. Encontraron que los modelos de IA avanzados (Mixers y Atención Cruzada) son mucho mejores para adaptarse a nuevos entornos y manejar datos faltantes que los modelos más antiguos, ofreciendo un camino prometedor hacia una gestión energética más inteligente en el futuro.

Resumen Técnico: RESCAST-100K

Planteamiento del Problema

El pronóstico preciso de la carga energética residencial y la temperatura interior a corto plazo es crítico para la gestión de la energía en el hogar, el equilibrio de la red y la respuesta a la demanda. Sin embargo, el desarrollo de modelos robustos se ve obstaculizado por la escasez de datos, la fragmentación y las preocupaciones de privacidad en entornos residenciales. Los enfoques actuales de aprendizaje profundo suelen requerir grandes cantidades de datos históricos del dominio objetivo, lo cual rara vez está disponible. Además, los entornos residenciales exhiben una heterogeneidad multidimensional (geografía, clima, envolvente del edificio, sistemas HVAC) que induce cambios de distribución distintos, lo que dificulta la generalización entre dominios.

Los benchmarks actuales sufren limitaciones significativas:

Alcance limitado: Muchos conjuntos de datos se centran en edificios no residenciales o carecen de objetivos clave como la carga de HVAC y la temperatura interior.
Covariables ausentes: Los recursos existentes a menudo omiten variables exógenas (clima, señales de control) o propiedades estáticas del edificio necesarias para la generalización.
Falta de soporte cross-domain: Pocos conjuntos de datos permiten la evaluación sistemática bajo cambios de dominio controlados o integran datos sintéticos y del mundo real bajo un esquema unificado, lo que dificعة la evaluación de "sim-to-real".

Metodología y Construcción del Conjunto de Datos

Los autores presentan RESCAST-100K, un benchmark a gran escala diseñado para estudiar la generalización cross-domain en el pronóstico residencial.

Composición del Conjunto de Datos

Escala: Aproximadamente 100,000 hogares en EE. UU. derivados de ResStock y simulados mediante EnergyPlus.
Resolución: Datos de series temporales de 15 minutos.
Objetivos: Tres objetivos acoplados por hogar:
1. Carga eléctrica total (kWh)
2. Carga de HVAC (kWh)
3. Temperatura interior (°F)
Características:
- Entradas Dinámicas Exógenas: Canales meteorológicos (temperatura de bulbo seco/húmedo, humedad, viento, radiación solar) y consignas (setpoints) de HVAC.
- Covariables Estáticas: Más de 40 propiedades de la edificación, incluyendo geografía, zona climática, construcción de paredes, tipo de cimentación y equipos de HVAC.
Integración del Mundo Real: El benchmark integra cinco conjuntos de datos residenciales del mundo real (ECOBEE, HEAPO, IDEAL, NEST, REFIT) bajo un esquema unificado para permitir la evaluación sim-to-real.

Abstracción de Dominio Basada en Configuraciones

Una característica central de RESCAST-100K es su interfaz basada en configuraciones (mediante YAML) que permite a los usuarios instanciar dominios de origen y destino a lo largo de ejes interpretables:

Geografía (Estado, Región)
Zona Climática (ASHRAE/IECC)
Envolvente del Edificio (Tipo de pared, Construcción)
Equipos de HVAC (Tecnología de calefacción)

Esto permite la evaluación sistemática del aprendizaje por transferencia (transfer learning), la adaptación de dominio y la generalización zero-shot bajo cambios de distribución controlados.

Configuración Experimental

Los autores formulan el problema como un pronóstico probabilístico con covariables faltantes.

Tarea: Predecir una trayectoria de longitud $L_f$ (96 pasos de tiempo/1 día) dado un contexto de $L_c$ (384 pasos de tiempo/4 días) y atributos estáticos.
Robustez: Un operador de enmascaramiento estocástico simula canales dinámicos faltantes (clima, setpoints) y covariables estáticas para probar la robustez del modelo.
Modelos Evaluados: El estudio evalúa seis familias de modelos:
- Recurrentes: Encoder LSTM (LSTM-E), Encoder-Decoder LSTM (LSTM).
- Basados en Transformer: Transformer, TimeXer, PatchTST.
- Basados en Mixer: TSMixer.
- Variantes Robustas: Los modelos fueron modificados (ej., LSTM-R, Transformer-R) para manejar datos faltantes.
Métricas: Error Cuadrático Medio Normalizado (NRMSE) para precisión de punto y el Puntaje de Probabilidad Continua Clasificada (CRPS) para precisión probabilística.

Resultados Clave

1. Desempeño In-Domain

Bajo disponibilidad total de datos, los modelos basados en Transformer y TimeXer generalmente lograron la mejor precisión. Sin embargo, cuando los datos faltaban, TSMixer y TimeXer superaron consistentemente a los LSTMs clásicos y a los Transformers estándar, demostrando una robustez superior ante entradas incompletas.

2. Generalización Zero-Shot Cross-Domain

Evaluado a través de cuatro categorías de cambio de dominio (Estado, Zona Climática, Tipo de Pared, Tecnología de Calefacción):

Pronóstico de Carga (Total y HVAC): TSMixer-R logró consistentemente el NRMSE y CRPS más bajos en todas las categorías de dominio, seguido de cerca por TimeXer-R.
- Observación: Los modelos MLP-mixer parecen aprender mejor las dependencias de las características exógenas al procesarlas múltiples veces durante el proceso de mezcla, en comparación con las operaciones de atención única.
Pronóstico de Temperatura: TimeXer-R logró la mejor precisión.
- Observación: El uso de auto-atención sobre el objetivo (manteniendo la inercia térmica) combinado con la atención cruzada para la influencia exógena en TimeXer resultó superior para capturar la dinámica térmica suave impulsada por los setpoints.
Desempeño de la Línea Base: Los modelos recurrentes (LSTM) y los Transformers vanilla se degradaron significativamente (a menudo por un orden de magnitud) bajo cambios de dominio, particularmente en el pronóstico de temperatura.

3. Evaluación Sim-to-Real

Cuando los modelos entrenados con datos sintéticos fueron probados zero-shot en cinco conjuntos de datos del mundo real:

Precisión de Punto: El NRMSE se degradó sustancialmente debido a la brecha sim-to-real, como era de esperar sin un ajuste fino (fine-tuning).
Precisión Probabilística: Los valores de CRPS se mantuvieron relativamente bajos y consistentes. TSSIMixer-R y TimeXer-R mantuvieron el mejor desempeño.
Implicación: El preentrenamiento probabilístico en datos sintéticos se transfiere de manera más confiable a hogares reales que la precisión del pronóstico de punto, lo que sugiere que los modelos capturan la forma de la distribución general de la señal objetivo incluso sin datos del dominio objetivo.

Contribuciones y Significación

El artículo reclama las siguientes contribuciones primarias:

Conjunto de Datos RESCAST-100K: Un conjunto de datos a gran escala (100k hogares), con múltiples objetivos y una interfaz basada en configuraciones para estudiar el pronóstico cross-domain a lo largo de ejes como geografía, clima y construcción.
Esquema Unificado: Integración de simulaciones de alta fidelidad basadas en física con cinco conjuntos de datos del mundo real, permitiendo una evaluación rigurosa de sim-to-real previamente no disponible a esta escala.
Perspectivas de Benchmarking: La evaluación sistemática de arquitecturas recurrentes, de atención y de mixer revela que los modelos basados en cross-attention y MLP-mixer superan consistentemente a las líneas base recurrentes y a los transformers clásicos bajo cambios de dominio y condiciones de datos faltantes.

Significación:
Los autores posicionan a RESCAST-100K como un recurso necesario para avanzar las comunidades de aprendizaje automático y analítica de edificios. Al proporcionar un benchmark estandarizado y a gran escala para la generalización cross-domain, aborda la "ausencia de conjuntos de datos residenciales exhaustivos" que ha limitado el progreso en el aprendizaje por transferencia y la adaptación de dominio para sistemas de energía residencial. Los hallazgos sugieren que elecciones arquitectónicas específicas (Mixer y Cross-Attention) son críticas para manejar la heterogeneidad inherente al pronóstico de energía residencial.