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

1. Problema e Motivação

O setor de construção é um grande consumidor de energia (55% do uso de energia nos edifícios nos EUA), e a modelagem precisa do consumo energético é crucial para estratégias de eficiência e conservação. Os Modelos de Energia de Edifícios Urbanos (UBEMs), como o URBANopt, exigem conjuntos de dados detalhados e em nível individual de edifícios para simulações precisas.

No entanto, existe uma lacuna de dados significativa:

• Características detalhadas de edifícios individuais (como tipo de HVAC, idade, ocupantes, configurações de termostato) são frequentemente desconhecidas, custosas para obter ou indisponíveis.
• Dados existentes em nível regional (como o conjunto ResStock) fornecem informações estatísticas agregadas, mas carecem de detalhes granulares por edifício.
• O uso de especificações de protótipos padrão (padrões de fábrica) não captura a diversidade real do parque de edifícios, levando a simulações imprecisas.
• Métodos de imputação tradicionais (como MICE) ou modelos determinísticos (como árvores de decisão) falham em capturar distribuições complexas, não lineares e heterogêneas (mistura de dados contínuos e categóricos) dos dados tabulares de edifícios.

2. Metodologia

Os autores propõem o uso de um Modelo de Difusão Condicional Tabular (Conditional TabDDPM) para gerar características de edifícios realistas e preencher lacunas de dados.

• Arquitetura Base: O modelo é baseado no TabDDPM (Denoising Diffusion Probabilistic Model para dados tabulares), que utiliza dois processos de difusão separados:
  • Difusão Gaussiana: Para características numéricas (contínuas), como área em pés quadrados e consumo de eletricidade.
  • Difusão Multinomial: Para características categóricas (discretas), como tipo de aquecimento, idade do edifício e presença de eletrodomésticos.
• Mecanismo Condicional: O modelo é treinado para imputar variáveis não observadas (alvo) condicionadas a um conjunto de variáveis observadas (condição).
  • Durante o treinamento, aplica-se um mascaramento dinâmico: um subconjunto aleatório de características (numéricas e/ou categóricas) é ocultado em cada amostra.
  • O modelo aprende a reconstruir as variáveis mascaradas ($x_{target}$) utilizando as variáveis observadas ($x_{cond}$) como contexto.
• Pré-processamento:
  • Dados numéricos são transformados via transformação de quantis gaussianos.
  • Dados categóricos são codificados ordinalmente e depois one-hot encoded.
• Treinamento: O modelo é treinado no conjunto de dados ResStock (2,2 milhões de edifícios residenciais dos EUA), aprendendo as distribuições condicionais multivariadas complexas entre todas as características.

3. Principais Contribuições

1. Framework de Geração Condicional: Desenvolvimento de um modelo baseado em difusão capaz de aprender distribuições condicionais multivariadas sobre características complexas de edifícios, lidando nativamente com dados heterogêneos (discretos e contínuos).
2. Capacidade de Imputação Flexível: O modelo pode gerar múltiplos cenários plausíveis para qualquer combinação de características desconhecidas, condicionadas aos atributos observados (localização, uso de energia, etc.).
3. Aplicação em Fluxo de Trabalho Real: Demonstração prática do modelo em um caso de estudo real (Baltimore, MD), integrando a geração de dados sintéticos ao modelo de energia física URBANopt.
4. Generalização Geográfica: Diferente de modelos que treinam redes neurais separadas para cada distrito, este modelo único, treinado em todo o estoque de edifícios dos EUA, demonstra capacidade de generalização para regiões geográficas não vistas durante o treinamento (Out-of-Distribution).

4. Resultados e Avaliação

A avaliação foi conduzida em três níveis:

• Avaliação Estatística (Univariada e Bivariada):

  • Comparação das distribuições geradas versus as distribuições reais do ResStock.
  • Métricas: Distância de Wasserstein (numéricas) e Distância de Jensen-Shannon (JS) (categóricas).
  • Resultado: O modelo demonstrou alta fidelidade na reprodução das distribuições reais, superando significativamente baselines aleatórias e métodos determinísticos. A distância média JS para características categóricas foi de ~0,204, contra 0,462 da baseline aleatória.
  • Limitação: Algumas variáveis complexas (como "offset de ponto de ajuste de aquecimento") apresentaram "colapso de modo" (o modelo tende a prever um único valor determinístico em vez de uma distribuição probabilística), embora ainda mantenham alta precisão pontual.

• Avaliação de Reconstrução (Point Estimate):

  • Medição do erro de reconstrução (RMSE para numéricas, Acurácia para categóricas) ao prever valores específicos.
  • O modelo superou consistentemente as baselines (média dos vizinhos ou moda) em todos os cenários, incluindo testes em dados fora da distribuição (OOD).

• Estudo de Caso (Baltimore):

  • Cenário: 77 edifícios residenciais com características parciais conhecidas (via OpenStreetMap/Zillow). O modelo imputou de 1 a 10 características categóricas desconhecidas.
  • Validação: Os dados completos gerados foram inseridos no URBANopt para simular perfis de carga de energia.
  • Resultado: Os perfis de consumo de energia anual e horária gerados pelo modelo permaneceram dentro de uma margem de erro de ±10% em relação ao perfil de referência (baseado em dados curados), mesmo quando até 10 características (cerca de 1/3 dos recursos) foram mascaradas.
  • A variação entre os 5 cenários amostrados (devido à natureza probabilística) aumentou ligeiramente com mais variáveis mascaradas, mas manteve-se dentro de limites aceitáveis.

5. Significado e Conclusão

Este trabalho representa um avanço significativo na modelagem de energia urbana, demonstrando que modelos generativos baseados em difusão podem superar as limitações dos dados incompletos.

• Impacto Prático: Permite a criação de conjuntos de dados completos e granulares para simulações energéticas sem a necessidade de levantamentos físicos caros ou dados de medidores que não existem.
• Eficiência: Substitui a necessidade de treinar modelos específicos para cada região, oferecendo uma solução unificada e escalável.
• Futuro: O método abre caminho para workflows de modelagem de energia mais robustos, permitindo a exploração de cenários de retrofit e estratégias de eficiência energética com maior precisão, reduzindo a dependência de expertise manual na curadoria de dados.

Em resumo, a pesquisa valida que a geração condicional via difusão é uma ferramenta poderosa e viável para preencher lacunas de dados em edifícios, acelerando e melhorando a precisão dos modelos de energia urbana.