基于注意的可解释神经网络的建筑冷负荷预测( Attention-based interpretable neural network for building cooling load prediction )

A Li F Xiao C Zhang C Fan

机器学习由于其强大的建模能力和灵活性，以及现代建筑中丰富的数据资源，在建筑能源管理中得到了越来越广泛的应用。在机器学习变得越来越强大的同时，开发的模型，尤其是像递归神经网络(RNN)这样的人工神经网络，变得越来越复杂，导致“更黑暗的模型”，模型的可解释性更低。机器学习背后复杂的推理机制阻止了普通建筑专业人员理解模型，从而降低了对所做预测的信任度。为了解决这个问题，注意力机制已经被广泛实施，以提高深度学习的可解释性；这些机制使基于深度学习的模型能够跟踪不同的输入如何影响推断的每一步的输出。本文提出了一种新的基于RNN的建筑能耗预测的神经网络结构，并研究了这种关注机制在提高建筑冷负荷24小时预测的RNN模型可解释性方面的有效性。为了更好地理解、解释和评价这些基于神经网络的建筑能耗预测模型，利用获得的注意力向量（或度量）可视化模型输入的不同部分对预测结果的影响。这有助于用户理解为什么预测是由模型作出的，以及输入序列如何按比例影响输出序列。对注意力向量的进一步分析可以为理解建筑物的热动力学提供有趣的时间信息，如建筑物的热惯性。提出的基于注意力的体系结构可用于开发最优运行控制策略和改进供需管理。基于该体系结构开发的模型使用真实的建筑操作数据进行评估，并显示出比基线模型更高的准确性和可解释性（不采用注意机制）。研究结果有助于弥合建筑专业人员和先进机器学习技术之间的鸿沟。所得见解可作为数据驱动建筑能耗预测模型开发、微调、解释和调试的指导。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate