🤖 machine learning

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

Este artigo apresenta o RESCAST-100K, um benchmark de larga escala composto por 100.000 conjuntos de dados simulados e cinco conjuntos de dados residenciais reais, projetado para avaliar e melhorar sistematicamente a generalização entre domínios para a previsão de carga energética de curto prazo e temperatura interna utilizando arquiteturas avançadas de aprendizado de máquina.

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

Publicado 2026-06-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um aluno a prever o clima dentro de uma casa. O problema é que cada casa é diferente: algumas estão em uma Flórida quente, outras em um Minnesota frio; algumas têm paredes de tijolo, outras de madeira; algumas usam aquecedores a gás, outras bombas de calor.

Se você ensinar o aluno usando apenas dados de uma casa específica em uma cidade específica, ele provavelmente falhará quando você pedir para ele prever a temperatura em uma casa totalmente diferente. Este é o grande problema na previsão de energia: não temos dados suficientes de cada tipo de casa para treinar um modelo perfeito para cada uma.

Entra o RESCAST-100K.

Pense neste artigo como a introdução de uma enorme e inteligente "academia de treinamento" para modelos de IA. Aqui está o que eles construíram, explicado de forma simples:

1. A "Cidade Virtual" de 100.000 Casas

Em vez de esperar para coletar dados de casas reais (o que é lento, caro e muitas vezes privado), os autores usaram um simulador de alta tecnologia chamado EnergyPlus para criar um gêmeo digital de 100.000 casas americanas.

A Variedade: Eles não fizeram apenas 100.000 caixas idênticas. Eles criaram uma cidade diversificada. Eles variaram a localização (geografia), o clima, os materiais das paredes, os sistemas de aquecimento e o tamanho das casas.
Os Dados: Para cada casa virtual, eles registraram três coisas a cada 15 minutos durante um ano inteiro:
1. Carga Energética Total: Quanta eletricidade a casa inteira consumiu.
2. Carga de HVAC: Quanta eletricidade o sistema de aquecimento e ar condicionado consumiu especificamente.
3. Temperatura Interna: O quão quente ou frio estava dentro de casa.
O Contexto: Eles também deram "pistas" à IA, como o clima externo, as configurações do termostato e detalhes estáticos da casa (como "tem uma parede de tijolo").

2. O "Teste de Treinamento" (Desafio Cross-Domain)

A verdadeira magia deste conjunto de dados não é apenas o seu tamanho; é como eles o utilizam para testar a IA.

Imagine que você treina um aluno em casas em Nova York (frio, paredes de tijolo, sistemas a gás). Então, você imediatamente testa esse aluno em casas no Arizona (quente, paredes de estuque, bombas de calor). Isso é chamado de teste "Cross-Domain" (entre domínios).

A maioria dos conjuntos de dados antigos só permite que você teste o aluno em casas que ele já viu. O RESCAST-100K permite que você configure "desafios" específicos:

Mudança de Geografia: Treine no Norte, teste no Sul.
Mudança de Clima: Treine em uma zona úmida, teste em uma zona seca.
Mudança de Equipamento: Treine em casas com aquecedores a gás, teste em casas com bombas de calor.

Isso ajuda os pesquisadores a ver se a IA está realmente "aprendendo as regras da física" ou apenas memorizando as casas específicas que estudou.

3. O Problema da "Peça Faltante do Quebra-Cabeça"

No mundo real, os dados costumam ser desorganizados. Às vezes, um sensor quebra ou uma casa não possui um termostato inteligente, então a IA fica sem pistas essenciais (como a temperatura externa).

Os autores testaram seus modelos de IA escondendo intencionalmente alguns desses dados durante o treinamento. Eles queriam ver: A IA ainda consegue fazer um bom palpite se estiver faltando o relatório do tempo ou a configuração do termostato?

4. Os Resultados: Quem Ganhou o Jogo?

Eles testaram vários tipos diferentes de "cérebros" de IA (arquiteturas) para ver qual conseguiria lidar com essas condições difíceis e mutáveis.

Os Perdedores: Modelos tradicionais (como Redes Neurais Recorrentes simples) e modelos "Transformer" padrão (do tipo que alimenta muitas ferramentas de IA modernas) tiveram dificuldades quando o tipo de casa mudava. Eles ficavam confusos quando as regras mudavam de climas frios para climas quentes.
Os Vencedores: Dois tipos específicos de modelos tiveram o melhor desempenho:
1. MLP-Mixers (TSMixer): Estes modelos são ótimos para olhar para todas as diferentes pistas (clima, tipo de parede, etc.) ao mesmo tempo e misturá-las para encontrar padrões. Foram os melhores em prever o uso de energia.
2. Modelos de Cross-Attention (TimeXer): Estes modelos são bons em focar na "história" específica do histórico de temperatura da casa, enquanto ainda prestam atenção em fatores externos. Foram os melhores em prever a temperatura interna real.

Descoberta Principal: Os modelos que foram bons em lidar com "dados ausentes" e "diferentes tipos de casas" foram aqueles que utilizaram essas técnicas avançadas de mistura e atenção.

5. O Teste de Realidade "Sim-to-Real"

Finalmente, os autores pegaram os modelos treinados em suas 100.000 casas virtuais e os testaram em cinco conjuntos de dados do mundo real (casas reais com pessoas de verdade vivendo nelas).

O Resultado: Como esperado, os modelos não foram perfeitos nas casas reais porque pessoas reais são imprevisíveis (elas abrem janelas, deixam luzes acesas, etc., de formas que o simulador não previu).
O Lado Positivo: Mesmo sem o retreinamento nos dados reais, os modelos treinados na cidade virtual foram surpreendentemente bons em adivinhar a forma geral do uso de energia (previsão probabilística). Eles foram melhores em dizer: "É provável que esteja entre 50 e 60 kWh", do que em adivinhar o número exato.

Resumo

O artigo apresenta o RESCAST-100K, um conjunto de dados massivo e configurável de 100.000 casas americanas simuladas. Ele atua como um campo de testes rigoroso para verificar se a IA pode aprender a prever o uso de energia em qualquer casa, mesmo que nunca tenha visto aquele tipo específico de casa antes. Eles descobriram que modelos de IA avançados (Mixers e Cross-Attention) são muito melhores em se adaptar a novos ambientes e lidar com dados ausentes, oferecendo um caminho promissor para uma gestão de energia mais inteligente no futuro.

Resumo Técnico: RESCAST-100K

Declaração do Problema

A previsão precisa da carga de energia residencial e da temperatura interna a curto prazo é crítica para o gerenciamento de energia doméstica, o equilíbrio da rede e a resposta à demanda. No entanto, o desenvolvimento de modelos robustos é dificultado pela escassez, fragmentação e preocupações com a privacidade dos dados em ambientes residenciais. As abordagens de aprendizagem profunda existentes normalmente requerem grandes quantidades de dados históricos do domínio alvo, o que raramente está disponível. Além disso, os ambientes residenciais exibem heterogeneidade multidimensional (geografia, clima, envelope do edifício, sistemas HVAC) que induz mudanças de distribuição distintas, tornando difícil a generalização entre domínios.

Os benchmarks atuais sofrem de limitações significativas:

Escopo Estreito: Muitos conjuntos de dados focam em edifícios não residenciais ou carecem de alvos fundamentais como carga de HVAC e temperatura interna.
Covariáveis Ausentes: Os recursos existentes frequentemente omitem variáveis exógenas (clima, sinais de controle) ou propriedades estáticas do edifício necessárias para a generalização.
Falta de Suporte Cross-Domain: Poucos conjuntos de dados suportam a avaliação sistemática sob mudanças de domínio controladas ou integram dados sintéticos e reais sob um esquema unificado, tornando a avaliação "sim-to-real" difícil.

Metodologia e Construção do Conjunto de Dados

Os autores apresentam o RESCAST-100K, um benchmark de larga escala projetado para estudar a generalização cross-domain na previsão residencial.

Composição do Conjunto de Dados

Escala: Aproximadamente 100.000 residências nos EUA derivadas do ResStock e simuladas via EnergyPlus.
Resolução: Séries temporais de 15 minutos.
Alvos: Três alvos acoplados por residência:
1. Carga elétrica total (kWh)
2. Carga de HVAC (kWh)
3. Temperatura interna (°F)
Características:
- Entradas Dinâmicas Exógenas: Canais meteorológicos (temperatura de bulbo seco/úmido, umidade, vento, radiação solar) e setpoints de HVAC.
- Covariáveis Estáticas: Mais de 40 propriedades do edifício, incluindo geografia, zona climática, construção de paredes, tipo de fundação e equipamentos de HVAC.
Integração com o Mundo Real: O benchmark integra cinco conjuntos de dados residenciais do mundo real (ECOBEE, HEAPO, IDEAL, NEST, REFIT) sob um esquema unificado para permitir a avaliação sim-to-real.

Abstração de Domínio Baseada em Configuração

Uma característica central do RESCAST-100K é sua interface baseada em configuração (via YAML) que permite aos usuários instanciar domínios de origem e alvo ao longo de eixos interpretáveis:

Geografia (Estado, Região)
Zona Climática (ASHRAE/IECC)
Envelope do Edifício (Tipo de parede, Construção)
Equipamento de HVAC (Tecnologia de aquecimento)

Isso permite a avaliação sistemática de transferência de aprendizado (transfer learning), adaptação de domínio e generalização zero-shot sob mudanças de distribuição controladas.

Configuração Experimental

Os autores formulam o problema como uma previsão probabilística com covariáveis ausentes.

Tarefa: Prever uma trajetória de comprimento $L_f$ (96 passos temporais/1 dia) dado um contexto de $L_c$ (384 passos temporais/4 dias) e atributos estáticos.
Robustez: Um operador de mascaramento estocástico simula canais dinâmicos ausentes (clima, setpoints) e covariáveis estáticas para testar a robustez do modelo.
Modelos Avaliados: O estudo avalia seis famílias de modelos:
- Recorrentes: Encoder LSTM (LSTM-E), Encoder-Decoder LSTM (LSTM).
- Baseados em Transformer: Transformer, TimeXer, PatchTST.
- Baseados em Mixer: TSMixer.
- Variantes Robustas: Os modelos foram modificados (ex: LSTM-R, Transformer-R) para lidar com dados ausentes.
Métricas: Erro Quadrático Médio Normalizado (NRMSE) para precisão de ponto e Pontuação de Probabilidade Classificada Contínua (CRPS) para precisão probabilística.

Principais Resultados

1. Desempenho In-Domain

Sob disponibilidade total de dados, os modelos baseados em Transformer e o TimeXer geralmente alcançaram a melhor precisão. No entanto, quando os dados estavam ausentes, o TSMixer e o TimeXer superaram consistentemente os LSTMs clássicos e os Transformers padrão, demonstrando superior robustez a entradas incompletas.

2. Generalização Zero-Shot Cross-Domain

Avaliado através de quatro categorias de mudança de domínio (Estado, Zona Climática, Tipo de Parede, Tecnologia de Aquecimento):

Previsão de Carga (Total e HVAC): O TSMixer-R alcançou consistentemente o menor NRMSE e CRPS em todas as categorias de domínio, seguido de perto pelo TimeXer-R.
- Observação: Modelos MLP-mixer parecem aprender melhor as dependências de características exógenas ao processá-las múltiplas vezes durante o mixing, em comparação com operações de atenção única.
Previsão de Temperatura: O TimeXer-R alcançou a melhor precisão.
- Observação: O uso de auto-atenção no alvo pelo TimeXer (mantendo a inércia térmica) combinado com a atenção cruzada para influência exógena provou ser superior para capturar a dinâmica térmica suave e dirigida por setpoints.
Desempenho de Baseline: Modelos recorrentes (LSTM) e Transformers comuns degradaram significativamente (frequentemente por uma ordem de magnitude) sob mudanças de domínio, particularmente na previsão de temperatura.

3. Avaliação Sim-to-Real

Quando modelos treinados em dados sintéticos foram testados zero-shot em cinco conjuntos de dados do mundo real:

Precisão de Ponto: O NRMSE degradou substancialmente devido ao gap sim-to-real, como esperado sem ajuste fino (fine-tuning).
Precisão Probabilística: Os valores de CRPS permaneceram relativamente baixos e consistentes. TSMixer-R e TimeXer-R mantiveram o melhor desempenho.
Implicação: O pré-treinamento probabilístico em dados sintéticos transfere-se de forma mais confiável para casas reais do que a precisão de previsão de ponto, sugerindo que os modelos capturam a forma distributiva geral do sinal alvo mesmo sem dados do domínio alvo.

Contribuições e Significância

O artigo reivindica as seguintes contribuições primárias:

Conjunto de Dados RESCAST-100K: Um conjunto de dados de larga escala (100 mil residências), com múltiplos alvos e uma interface baseada em configuração para estudar a previsão cross-domain ao longo de eixos como geografia, clima e construção.
Esquema Unificado: Integração de simulações de alta fidelidade baseadas em física com cinco conjuntos de dados do mundo real, permitindo uma avaliação sim-to-real rigorosa anteriormente indisponível nesta escala.
Insights de Benchmarking: A avaliação sistemática de arquiteturas recorrentes, de atenção e de mixer revela que modelos baseados em cross-attention e MLP-mixer superam consistentemente os baselines recorrentes e de transformers clássicos sob mudanças de domínio e condições de dados ausentes.

Significância:
Os autores posicionam o RESCAST-100K como um recurso necessário para avançar as comunidades de aprendizado de máquina e análise de edifícios. Ao fornecer um benchmark padronizado e de larga escala para generalização cross-domain, ele aborda a "ausência de conjuntos de dados residenciais abrangentes" que tem limitado o progresso em transferência de aprendizado e adaptação de domínio para sistemas de energia residencial. Os achados sugerem que escolhas arquiteturais específicas (Mixer e Cross-Attention) são críticas para lidar com a heterogeneidade inerente à previsão de energia residencial.