🤖 machine learning

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

Dit artikel introduceert RESCAST-100K, een grootschalige benchmark bestaande uit 100.000 gesimuleerde en vijf real-world residentiële datasets, ontworpen om de cross-domein generalisatie voor kortetermijnvoorspellingen van energiebelasting en binnentemperatuur systematisch te evalueren en te verbeteren met behulp van geavanceerde machine learning-architecturen.

Oorspronkelijke auteurs: Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri

Gepubliceerd 2026-06-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jainam Dhruva, Yousaf Raza, A. B. Siddique, Simone Silvestri

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een student probeert te leren hoe je het weer binnen in een huis voorspelt. Het probleem is dat elk huis anders is: sommige zijn in het warme Florida, andere in het koude Minnesota; sommige hebben bakstenen muren, andere hebben houten muren; sommige gebruiken gasbranders, andere warmtepompen.

Als je de student alleen traint met gegevens uit één specifiek huis in één specifieke stad, zal hij waarschijnlijk falen wanneer je hem vraagt om de temperatuur in een totaal ander huis te voorspellen. Dit is het grote probleem bij energievoorspelling: we hebben niet genoeg gegevens van elk type huis om een perfect model voor elk huis te trainen.

Maak kennis met RESCAST-100K.

Beschouw dit artikel als de introductie van een enorme, super-slimme "trainingsgym" voor AI-modellen. Hier is wat ze hebben gebouwd, eenvoudig uitgelegd:

1. De "Virtuele Stad" van 100.000 Huizen

In plaats van te wachten op het verzamelen van gegevens van echte huizen (wat traag, duur en vaak privacygevoelig is), hebben de auteurs een hoogtechnologische simulator genaamd EnergyPlus gebruikt om een digitale tweeling van 100.000 Amerikaanse huizen te creëren.

De Variatie: Ze hebben niet zomaar 100.000 identieke dozen gemaakt. Ze maakten een diverse stad. Ze varieerden de locatie (geografie), het klimaat, de wandmaterialen, de verwarmingssystemen en de grootte van de woningen.
De Gegevens: Voor elk virtueel huis legden ze drie dingen elke 15 minuten vast gedurende een heel jaar:
1. Totaal Energieverbruik: Hoeveel elektriciteit het hele huis verbruikte.
2. HVAC-verbruik: Hoeveel elektriciteit de verwarming en airconditioning specifiek verbruikten.
3. Binnentemperatuur: Hoe warm of koud het binnen was.
De Context: Ze gaven de AI ook "aanwijzingen" zoals het weer buiten, de thermostaatinstellingen en de statische details van het huis (zoals "het heeft een bakstenen muur").

2. De "Trainingsproef" (Cross-Domain Uitdaging)

De echte magie van deze dataset is niet alleen de omvang; het is hoe ze het gebruiken om de AI te testen.

Stel je voor dat je een student traint op huizen in New York (koud, bakstenen muren, gasbranders). Train je hen vervolgens direct op huizen in Arizona (heet, stucwerk muren, warmtepompen). Dit wordt een "Cross-Domain" test genoemd.

De meeste oude datasets laten je alleen testen op huizen die de student al heeft gezien. RESCAST-100K laat je specifieke "uitdagingen" opzetten:

Geografische Verschuiving: Train in het Noorden, test in het Zuiden.
Klimatologische Verschuiving: Train in een vochtige zone, test in een droge zone.
Apparatuur Verschuiving: Train op huizen met branders, test op huizen met warmtepompen.

Dit helpt onderzoekers om te zien of hun AI daadwerkelijk "de regels van de natuurkunde leert" of gewoon de specifieke huizen die het bestudeerde uit het hoofd leert.

3. Het "Ontbrekende Puzzelstukje" Probleem

In de echte wereld zijn gegevens vaak rommelig. Soms gaat een sensor kapot, of heeft een huis geen slimme thermostaat, waardoor de AI belangrijke aanwijzingen mist (zoals de buitentemperatuur).

De auteurs testten hun AI-modellen door tijdens de training doelbewust een deel van deze gegevens te verbergen. Ze wilden zien: Kan de AI nog steeds een goede gok maken als de weerbericht of de thermostaatinstelling ontbreekt?

4. De Resultaten: Wie won het spel?

Ze testten verschillende soorten AI-"hersenen" (architecturen) om te zien welke het beste om kon gaan met deze moeilijke, veranderende omstandigheden.

De Verliezers: Traditionele modellen (zoals eenvoudige Recurrent Neural Networks) en standaard "Transformer"-modellen (het soort dat veel moderne AI-tools aandrijft) hadden moeite wanneer het type huis veranderde. Ze raakten in de war wanneer de regels verschoven van koude naar warme klimaten.
De Winnaars: Twee specifieke soorten modellen presteerden het best:
1. MLP-Mixers (TSMixer): Deze modellen zijn erg goed in het tegelijkertijd bekijken van alle verschillende aanwijzingen (weer, type muur, etc.) en het mengen van deze informatie om patronen te vinden. Ze waren het beste in het voorspellen van het energieverbruik.
2. Cross-Attention Modellen (TimeXer): Deze modellen zijn goed in het focussen op het specifieke "verhaal" van de temperatuurgeschiedenis van het huis, terwijl ze tegelijkertijd aandacht besteden aan externe factoren. Ze waren het beste in het voen het voorspellen van de werkelijke binnentemperatuur.

Belangrijkste bevinding: De modellen die goed waren in het omgaan met "ontbrekende gegevens" en "verschillende typen huizen", waren de modellen die deze geavanceerde meng- en aandachtstechnieken gebruikten.

5. De "Sim-to-Real" Realiteitscheck

Ten slotte namen de auteurs de modellen die getraind waren op hun 100.000 virtuele huizen en testten ze op vijf real-world datasets (echte huizen waar echte mensen wonen).

Het Resultaat: Zoals verwacht waren de modellen niet perfect op echte huizen omdat echte mensen onvoorspelbaar zijn (ze openen ramen, laten lichten aan, etc. op manieren die de simulator niet had voorspeld, etc.).
De Zilveren Rand: Zelfs zonder te hertrainen op de echte gegevens, waren de modellen die getraind waren op de virtuele stad verrassend goed in het voorspellen van de algemene vorm van het energieverbruik (probabilistische voorspelling). Ze waren beter in het zeggen van: "Het is waarschijnlijk tussen de 50 en 60 kWh," dan in het raden van het exacte getal.

Samenvatting

Het artikel introduceert RESCAST-100K, een enorme, configureerbare dataset van 100.000 gesimuleerde Amerikaanse huizen. Het dient als een rigoureuze testomgeving om te zien of AI kan leren om het energieverbruik in elk huis te voorspellen, zelfs als het dat specifieke type huis nog nooit heeft gezien. Ze ontdekten dat geavanceerde AI-modellen (Mixers en Cross-Attention) veel beter zijn in het aanpassen aan nieuwe omgevingen en het omgaan met ontbrekende gegevens dan oudere modellen, wat een veelbelovende weg biedt naar slimmer energiebeheer in de toekomst.

Technische Samenvatting: RESCAST-100K

Probleemstelling

Nauwkeurige kortetermijnvoorspelling van het residentiële energieverbruik en de binnentemperatuur is cruciaal voor woningbeheer, netbalancering en demand response. De ontwikkeling van robuuste modellen wordt echter gehinderd door schaarste aan data, fragmentatie en privacyzorgen in residentiële omgevingen. Bestaande deep learning-benaderingen vereisen doorgaans grote hoeveelheden historische data uit het doeldomein, wat zelden beschikbaar is. Bovendien vertonen residentiële omgevingen multidimensionale heterogeniteit (geografie, klimaat, gebouwschil, HVAC-systemen) die zorgt voor afwijkende distributieverschuivingen, wat cross-domein generalisatie bemoeilijkt.

Huidige benchmarks kampen met significante beperkingen:

Beperkte reikwijdte: Veel datasets richten zich op niet-residentiële gebouwen of missen cruciale variabelen zoals HVAC-belasting en binnentemperatuur.
Ontbrekende covariaten: Bestaande bronnen laten vaak exogene variabelen (weer, regelsignalen) of statische gebouweigenschappen weg die nodig zijn voor generalisatie.
Gebrek aan cross-domein ondersteuning: Weinig datasets ondersteunen systematische evaluatie onder gecontroleerde domeinverschuivingen of integreren synthetische en real-world data onder een uniform schema, waardoor "sim-to-real" evaluatie moeilijk is.

Methodologie en Datasetconstructie

De auteurs introduceren RESCAST-100K, een grootschalige benchmark ontworpen om cross-domein generalisatie in residentiële voorspellingen te bestuderen.

Samenstelling van de dataset

Schaal: Ongeveer 100.000 Amerikaanse huizen afgeleid van ResStock en gesimuleerd met EnergyPlus.
Resolutie: 15-minuten tijdreeksdata.
Targets: Drie gekoppelde targets per woning:
1. Totale elektrische belasting (kWh)
2. HVAC-belasting (kWh)
3. Binnentemperatuur (°F)
Kenmerken:
- Exogene dynamische inputs: Weerkanalen (droge/natte boltemperatuur, luchtvochtigheid, wind, zonnestraling) en HVAC-instellingen.
- Statische covariaten: Meer dan 40 gebouweigenschappen waaronder geografie, klimaatzone, wandconstructie, funderingstype en HVAC-apparatuur.
Integratie van de echte wereld: De benchmark integreert vijf real-world residentiële datasets (ECOBEE, HEAPO, IDEAL, NEST, REFIT) onder een uniform schema om sim-to-real evaluatie mogelijk te maken.

Configuratiegestuurde domeinabstractie

Een kernkenmerk van RESCAST-100K is de configuratiegestuurde interface (YAML-gebaseerd) die gebruikers in staat stelt om bron- en doeldomeinen te instantiëren langs interpreteerbare assen:

Geografie (Staat, Regio)
Klimaatzone (ASHRAE/IECC)
Gebouwschil (Type wand, Constructie)
HVAC-apparatuur (Verwarmingstechnologie)

Dit maakt systematische evaluatie van transfer learning, domain adaptation en zero-shot generalisatie mogelijk onder gecontroleerde distributieverschuivingen.

Experimentele opzet

De auteurs formuleren het probleem als probabilistische voorspelling met ontbrekende covariaten.

Taak: Het voorspellen van een traject van lengte $L_f$ (96 tijdstappen/1 dag) gegeven een context van $L_c$ (384 tijdstappen/4 dagen) en statische attributen.
Robuustheid: Een stochastische masking-operator simuleert ontbrekende dynamische kanalen (weer, instellingen) en statische covariaten om de robuustheid van het model te testen.
Geregelde modellen: De studie evalueert zes modelfamilies:
- Recurrent: Encoder LSTM (LSTM-E), Encoder-Decoder LSTM (LSTM).
- Transformer-gebaseerd: Transformer, TimeXer, PatchTST.
- Mixer-gebaseerd: TSMixer.
- Robuuste varianten: Modellen werden aangepast (bijv. LSTM-R, Transformer-R) om met ontbrekende data om te gaan.
Metrieken: Genormaliseerde Root Mean Square Error (NRMSE) voor puntprecisie en Continuous Ranked Probability Score (CRPS) voor probabilistische precisie.

Belangrijkste resultaten

1. In-domein prestaties

Onder volledige beschikbaarheid van data behaalden Transformer-gebaseerde en TimeXer-modellen over het algemeen de beste nauwkeurigheid. Echter, wanneer data ontbrak, presteerden TSMixer en TimeXer consequent beter dan klassieke LSTMs en standaard Transformers, wat duidt op een superieure robuustheid tegen incomplete inputs.

2. Cross-domein Zero-Shot Generalisatie

Geëvalueerd over vier domeinverschuivingscategorieën (Staat, Klimaatzone, Wandtype, Verwarmingstechnologie):

Belastingvoorspelling (Totaal & HVAC): TSMixer-R behaalde consequent de laagste NRMSE en CRPS over alle domeincategorieën, gevolgd door TimeXer-R.
- Observatie: MLP-mixer modellen lijken de afhankelijkheden van exogene kenmerken beter te leren door ze meerdere keren te verwerken tijdens het mixen, vergeleken met enkelvoudige attention-operaties.
Temperatuurvoorspelling: TimeXer-R behaalde de beste nauwkeurigheid.
- Observatie: Het gebruik van self-attention op de target door TimeXer (het behouden van thermische inertie) in combinatie met cross-attention voor exogene invloed, bleek superieur voor het vastleggen van vloeiende, door instellingen gedreven thermische dynamiek.
Baseline prestaties: Recurrente modellen (LSTM) en vanilla Transformers verslechterden aanzienlijk (vaak met een factor 10) onder domeinverschuivingen, met name bij temperatuurvoorspelling.

3. Sim-to-Real Evaluatie

Wanneer modellen getraind op synthetische data zero-shot werden getest op vijf real-world datasets:

Puntprecisie: NRMSE degradeerde substantieel door de sim-to-real kloof, zoals verwacht zonder fine-tuning.
Probabilistische precisie: CRPS-waarden bleven relatief laag en consistent. TSMixer-R en TimeXer-R behielden de beste prestaties.
Implicatie: Probabilistische pretraining op synthetische data draagt betrouwbaarder over naar echte woningen dan puntvoorspellingsnauwkeurigheid, wat suggereert dat modellen de algemene distributieve vorm van het doelsignaal vastleggen, zelfs zonder data uit het doeldomein.

Bijdragen en Betekenis

Het artikel claimt de volgende primaire bijdragen:

RESCAST-100K Dataset: Een grootschalige (100k woningen), multi-target dataset met een configuratiegestuurde interface voor het bestuderen van cross-domein voorspellingen langs assen zoals geografie, klimaat en constructie.
Uniform Schema: Integratie van hoogwaardige physics-gebaseerde simulaties met vijf real-world datasets, wat een rigoureuze sim-to-real evaluatie mogelijk maakt die voorheen op deze schaal onbeschikbaar was.
Benchmarking Inzichten: Systematische evaluatie van recurrente, attention en mixer architecturen laat zien dat cross-attention en MLP-mixer gebaseerde modellen consequent beter presteren dan recurrente en klassieke transformer baselines onder domeinverschuivingen en condities met ontbrekende data.

Betekenis:
De auteurs positioneren RESCAST-100K als een noodzakelijke bron om de machine learning en building analytics gemeenschappen vooruit te helpen. Door een gestandaardiseerde, grootschalige benchmark te bieden voor cross-domein generalisatie, pakken zij de "afwezigheid van uitgebreide residentiële datasets" aan die de voortgang in transfer learning en domain adaptation voor residentiële energiesystemen heeft beperkt. De bevindingen suggereren dat specifieke architecturale keuzes (Mixer en Cross-Attention) cruciaal zijn voor het omgaan met de heterogeniteit die inherent is aan residentiële energievoorspelling.