🤖 machine learning

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

本論文は、高度な機械学習アーキテクチャを用いた短期的なエネルギー負荷および室内温度予測におけるクロスドメイン汎化性能を体系的に評価・改善するために設計された、10万件のシミュレーションデータと5つの実世界の住宅データセットで構成される大規模ベンチマークであるRESCAST-100Kを導入するものである。

原著者： Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri

公開日 2026-06-03

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、家の中の天気を予測する方法を学生に教えようとしていると想像してください。問題は、家によって千差万別であることです。フロリダのような暑い場所もあれば、ミネソタのような寒い場所もあります。レンガ造りの壁の家もあれば、木造の家もあります。ガス炉を使う家もあれば、ヒートポンプを使う家もあります。

もし、特定の都市にある特定の家だけのデータを使って学生に教えてしまったら、その学生が全く異なるタイプの家の温度を予測するように求められたとき、おそらく失敗するでしょう。これがエネルギー予測における大きな問題です。すべてのタイプの家に対して完璧なモデルを訓練するためのデータが足りないのです。

ここに、RESCAST-100Kが登場します。

この論文を、AIモデルのための巨大で非常にスマートな「トレーニングジム」を紹介していると考えてください。彼らが作り上げたものを、分かりやすく説明します。

1. 10万軒の「仮想都市」

実在する家からデータを集める（それは遅くて、コストがかかり、プライバシーの問題もある）代わりに、著者たちはEnergyPlusというハイテク・シミュレーターを使用して、10万軒のアメリカの家のデジタルツインを作成しました。

多様性: 彼らは単に10万軒の同一の箱を作ったわけではありません。多様な都市を作りました。彼らは場所（地理）、気候、壁の素材、暖房システム、そして家のサイズを変化させました。
データ: すべての仮想の家に対して、1年間にわたって15分ごとに3つの項目を記録しました。
1. 総エネルギー負荷: 家全体でどれだけの電力を使用したか。
2. HVAC負荷: 冷暖房（HVAC）だけでどれだけの電力を使用したか。
3. 室内温度: 室内がどれくらい暑いか、あるいは寒いか。
コンテキスト（背景情報）: 彼らはまた、外の天気やサーモスタットの設定、そして「壁はレンガ造りである」といった家の静的な詳細といった「手がかり」をAIに与えました。

2. 「トレーニング・テスト」（クロスドメイン・チャレンジ）

このデータセットの真の魔法は、その大きさではなく、AIをどのようにテストするかという点にあります。

例えば、学生にニューヨークの家（寒冷地、レンガの壁、ガス炉）でトレーニングさせたとします。その後、すぐに彼をアリゾナの家（暑い、スタッコ壁、ヒートポンプ）でテストします。これは**「クロスドメイン（領域横断）」**テストと呼ばれます。

従来のデータセットは、学習済みの家に対してのみテストを行うことが一般的でした。しかし、RESCAST-100Kでは、以下のような特定の「挑戦」を設定することができます。

地理的シフト: 北部で訓練し、南部でテストする。
気候シフト: 湿潤なゾーンで訓練し、乾燥したゾーンでテストする。
設備シフト: ガス炉の家で訓練し、ヒートポンプの家でテストする。

これにより、研究者は、AIが実際に「物理学のルール」を学習しているのか、それとも単に学習した特定の家を暗記しているだけなのかを見極めることができます。

3. 「欠けているパズルの一片」問題

現実の世界では、データはしばしば不完全です。センサーが故障したり、スマートサーモスタットが備わっていないために、AIにとって重要な手がかり（外気温など）が欠けていることがあります。

著者らは、トレーニング中に意図的に一部のデータを隠すことで、AIモデルをテストしました。彼らはこう問いかけたのです。もし天気予報やサーモスタットの設定が欠けていても、AIは依然として優れた推測ができるだろうか？

4. 結果：ゲームの勝者は誰か？

彼らは、これらの困難で変化する条件下を扱うことができるかどうかを確認するために、いくつかの異なるタイプのAI「脳」（アーキテクチャ）をテストしました。

敗者: 従来のモデル（単純なリカレントニューラルネットワークなど）や、標準的な「Transformer」モデル（現代の多くのAIツールを動かしているもの）は、家のタイプが変わると苦戦しました。ルールが寒い気候から暑い気候へとシフトすると、混乱してしまったのです。
勝者: 2つの特定のタイプのモデルが最も優れたパフォーマンスを示しました。
1. MLP-Mixers (TSMixer): これらのモデルは、天気、壁のタイプといった様々な手がかりを一度に見て、それらを混ぜ合わせ、パターンを見つけ出すことに長けています。これらはエネルギー使用量の予測において最も優れていました。
2. Cross-Attention モデル (TimeXer): これらのモデルは、外部要因に注意を払いながら、その家の温度履歴という特定の「物語」に焦点を当てることが得意です。これらは実際の室内温度の予測において最も優れていました。

重要な発見: 「欠損データ」や「異なるタイプの家」を扱うことに長けていたモデルは、これらの高度なミキシング（混合）およびアテンション（注意）技術を用いたものでした。

5. 「Sim-to-Real（シミュレーションから現実へ）」の検証

最後に、著者らは10万軒の仮想の家でトレーニングされたモデルを、5つの実世界のデータセット（実際に人々が暮らしている家）を用いてテストしました。

結果: 予想通り、モデルは実世界の家に対して完璧ではありませんでした。なぜなら、現実の人々は（シミュレーターが予測できない方法で、窓を開けたり電気をつけっぱなしにしたりするなど）予測不可能な動きをするからです。
希望の兆し: 実世界のデータで再学習することなくとも、仮想都市でトレーニングされたモデルは、エネルギー使用量の「一般的な形状（確率的な予測）」を予測することにおいて驚くほど優秀でした。彼らは、正確な数値を当てることよりも、「おそらく50から60 kWhの間になるだろう」と言うことにおいて優れていました。

まとめ

この論文は、10万軒のアメリカの家を構成する、大規模で設定変更可能なデータセットであるRESCAST-100Kを紹介しています。これは、AIが、たとえその特定のタイプの家を見たことがなくても、あらゆる家におけるエネルギー使用量を予測できるかどうかを判断するための、厳格なテスト場として機能します。彼らは、高度なAIモデル（MixersやCross-Attention）が、古いモデルよりも新しい環境に適応し、欠損データを扱う能力が高いことを明らかにしました。これは、将来のよりスマートなエネルギー管理への有望な道筋を示しています。

技術要約: RESCAST-100K

問題提起

住宅における電力負荷および室内温度の正確な短期予測は、家庭用エネルギー管理、グリッド・バランシング、およびデマンドレスポンスにとって極めて重要である。しかし、住宅環境におけるデータの希少性、断片化、およびプライバシーへの懸念が、堅牢なモデルの開発を阻害している。既存のディープラーニング手法は通常、ターゲットドメインから大量の履歴データを必要とするが、そのようなデータが入手できることは稀である。さらに、住宅環境は多次元的な異質性（地理、気候、建物外皮、HVACシステム）を示し、それが明確な分布シフトを引き起こすため、クロスドメインの汎化が困難となっている。

現在のベンチマークには、以下のような重大な限界がある：

範囲の狭さ: 多くのデータセットは非住宅用ビルに焦点を当てていたり、HVAC負荷や室内温度といった主要なターゲットを欠いていたりする。
共変量の欠如: 既存のリソースは、汎化に必要な外生変数（天候、制御信号）や静的な建物の特性を省略していることが多い。
クロスドメイン支援の欠如: 制御されたドメインシフトの下での体系的な評価をサポートする、あるいは合成データと実世界のデータを統一されたスキーマの下で統合しているデータセットはほとんどなく、「Sim-to-Real（シミュレーションから実世界へ）」の評価を困難にしている。

手法およびデータセット構築

著者らは、住宅予測におけるクロスドメイン汎化を研究するために設計された大規模ベンチマーク、RESCAST-100Kを導入する。

データセットの構成

規模: ResStockから派生し、EnergyPlusを用いてシミュレーションされた、米国における約10万軒の住宅。
解像度: 15分間隔の時系列データ。
ターゲット: 1軒あたりの3つの結合されたターゲット：
1. 総電力負荷 (kWh)
2. HVAC負荷 (kWh)
3. 室内温度 (°F)
特徴量:
- 外生動的入力: 天候チャネル（乾球・湿球温度、湿度、風、日射量）およびHVAC設定値。
- 静的共変量: 地理、気候帯、壁の構造、基礎のタイプ、HVAC機器を含む40以上の建物特性。
実世界の統合: 本ベンチマークは、Sim-to-Real評価を可能にするために、5つの実世界の住宅データセット（ECOBEE, HEAPO, IDEAL, NEST, REFIT）を統一されたスキーマの下で統合している。

設定駆動型ドメイン抽象化

RESCAST-100Kの核心的な機能は、ユーザーが解釈可能な軸に沿ってソースドメインとターゲットドメインをインスタンス化できる、設定駆動型インターフェース（YAMLベース）である。

地理（州、地域）
気候帯（ASHRAE/IECC）
建物外皮（壁の種類、構造）
HVAC機器（暖房技術）

これにより、制御された分布シフトの下での転移学習、ドメイン適応、およびゼロショット汎化の体系的な評価が可能になる。

実験設定

著者らは、この問題を欠損共変量を伴う確率的予測として定式化している。

タスク: $L_c$ （384タイムステップ/4日間）のコンテキストと静的属性が与えられた状態で、長さ $L_f$ （96タイムステップ/1日）の軌跡を予測する。
堅牢性: 確率的マスキング演算子を用いて、欠損する動的チャネル（天候、設定値）や静的共変量をシミュレートし、モデルの堅牢性をテストする。
ベンチマーク対象モデル: 研究では6つのモデルファミリーを評価している：
- 再帰型: エンコーダLSTM (LSTM-E)、エンコーダ・デコーダLSTM (LSTM)。
- Transformerベース: Transformer、TimeXer、PatchTST。
- Mixerベース: TSMixer。
- 堅牢なバリアント: 欠損データを扱うためにモデルを修正（例：LSTM-R、Transformer-R）。
指標: 点予測の精度には正規化平方根平均二乗誤差 (NRMSE) を、確率的精度には連続ランク確率スコア (CRPS) を使用する。

主な結果

1. ドメイン内パフォーマンス

データが完全に揃っている条件下では、TransformerベースおよびTimeXerモデルが一般に最高の精度を達成した。しかし、データが欠損している場合、TSMixerとTimeXerは古典的なLSTMや標準的なTransformerを一貫して上回り、不完全な入力に対する優れた堅牢性を示した。

2. クロスドメイン・ゼロショット汎化

4つのドメインシフト・カテゴリ（州、気候帯、壁のタイプ、暖房技術）にわたって評価を行った：

負荷予測（総負荷およびHVAC負荷）: TSMixer-Rは、すべてのドメインカテゴリにおいて一貫して最も低いNRMSEとCRPSを達成し、TimeXer-Rが僅差で続いた。
- 観察: MLP-mixerモデルは、単一のアテンション操作と比較して、ミキシング中に外生的な特徴量を複数回処理することで、それらへの依存関係をより良く学習しているようである。
温度予測: TimeXer-Rが最高の精度を達成した。
- 観察: ターゲットに対する自己注意（熱慣性を維持するため）と、外生的影響のためのクロスアテンションを組み合わせたTimeXerの手法は、滑らかな設定値駆動型の熱力学を捉える上で優れていることが証明された。
ベースラインの性能: 再帰モデル（LSTM）およびバニラTransformerは、ドメインシフト下（特に温度予測において）で大幅に劣化（しばしば1桁のオーダーで）した。

3. Sim-to-Real 評価

合成データで訓練されたモデルを5つの実世界データセットに対してゼロショットでテストした結果：

点予測精度: ファインチューニングなしでは予想通り、Sim-to-RealのギャップによりNRMSEは大幅に悪化した。
確率的精度: CRPS値は比較的低く、一貫性を保っていた。TSMixer-RとTimeXer-Rが最高のパフォーマンスを維持した。
示唆: 合成データによる確率的事前学習は、点予測の精度よりも実世界の住宅に対してより信頼性高く転移する。これは、モデルがターゲットドメインのデータがなくても、ターゲット信号の一般的な分布形状を捉えていることを示唆している。

貢献と意義

本論文の主な貢献は以下の通りである：

RESCAST-100K データセット: 地理、気候、建設などの軸に沿ったクロスドメイン予測を研究するための、設定駆動型インターフェースを備えた大規模（10万軒）なマルチターゲット・データセット。
統一されたスキーマ: 高精度な物理ベースのシミュレーションを5つの実世界データセットと統合し、これまでにない規模での厳格なSim-to-Real評価を可能にした。
ベンチマークによる知見: 再帰型、アテンション型、およびMixer型アーキテクチャの体系的な評価により、ドメインシフトや欠損データ条件下では、クロスアテンションおよびMLP-mixerベースのモデルが一貫して再帰型や古典的なTransformerベースラインよりも優れていることを明らかにした。

意義:
著者らは、RESCAST-100Kを、機械学習およびビルディング・アナリティクスのコミュニティを進展させるために必要なリソースとして位置づけている。クロスドメイン汎化のための標準化された大規模なベンチマークを提供することで、住宅用エネルギーシステムにおける転移学習やドメイン適応の進展を阻んできた「包括的な住宅用データセットの不在」という課題に対処している。本研究の結果は、住宅エネルギー予測に内在する異質性を扱うためには、特定のアーキテクチャの選択（MixerおよびCross-Attention）が極めて重要であることを示唆している。