Meta-FAN：基于少样本特征级自适应的建筑能耗预测

《Energy》：Meta-FAN: Building energy forecasting via few-shot feature-wise adaptation

　　

•Meta-FAN 仅使用目标城市一天的数据来适应跨城市建筑负载模型。
•一个 32 参数的逐特征仿射层在标准骨干网络微调之前进行。
•可解释的稳定性和差异信号元学习其初始值。
•平均 NMSE 降低 8.0%，在三座城市的 30 个楼层案例运行中赢得 28 个。
•在 Transformer 骨干网络和周末开始的支持集下，增益依然存在。

引言

准确预测建筑能耗对于高效的建筑运行和能源管理起着重要作用[1]、[2]。可靠的短期预测可以支持能耗监测、运行规划以及对低效系统行为的早期干预。随着传感和计量系统在商业建筑中的部署越来越广泛，数据驱动的预测方法越来越多地用于从历史观测数据中建模建筑级能耗动态[3]。

尽管具有实际价值，但大多数数据驱动方法依赖于从目标建筑或城市收集的大量历史数据。这一要求给实际部署带来了重大障碍[4]、[5]、[6]。在许多实际场景中，需要将模型引入一座新城市、一栋新安装仪表的建筑或一个刚接入的楼层，而这些场景中仅能获取极少量的本地数据[7]。这种数据稀缺性对于建筑能耗预测尤其成问题，因为能耗模式受当地天气条件、运行计划、设备使用及其他上下文依赖因素的影响，这些因素在不同城市之间可能存在较大差异。

解决这一瓶颈的一个自然方法是将从数据丰富的源域向数据有限的目标域迁移知识。然而，这仍然具有挑战性。当目标城市仅提供几天甚至一天的监测数据时，直接适应变得困难且不稳定。一方面，在不充分适应的情况下使用预训练模型可能在跨域分布偏移下失效[8]。另一方面，在极其有限的目标样本上直接微调大型预测骨干网络容易导致过拟合。这些挑战促使我们需要一种既能在分布偏移下有效工作，又能在可训练参数数量上保持经济性的迁移机制[9]。

在本研究中，我们关注一个实际但具有挑战性的设置：少样本跨域建筑能耗预测。具体而言，我们假设在一个或多个源城市中可获得充足的历史数据，而目标城市仅提供极少量的标注观测数据用于适应。目标是从源域向目标域迁移有用的预测知识，并在严重目标数据稀缺的情况下获得准确的短期能耗预测。这一设置在早期部署阶段是现实的，即监测系统刚刚安装或本地历史记录仍然过短，无法支持传统模型训练。

该设置中的核心难点在于城市间的分布偏移。建筑能耗动态受城市特有的运行条件支配，这些条件在不同城市之间差异显著[1]。因此，在源城市数据上训练的模型在直接部署到新目标城市时可能无法很好地泛化[2]。一种直接的解决方案是在有限的目标数据上微调预训练的预测骨干网络。然而，当仅有数百个样本甚至一天的观测数据可用时，在如此有限的监督下更新大量骨干参数会变得不稳定，且对特定的支持样本敏感。

现有的迁移策略还面临另一个局限性。许多适应方法在全球层面运作，通过对齐源域和目标域的整体特征分布或统一更新整个模型来实现[10]、[11]。此类设计可能忽略了跨域建筑数据的一个重要特征：并非所有输入特征的迁移性都相同。某些变量在城市之间可能表现出显著的域差异，而另一些变量则相对稳定且可复用。以统一方式处理所有特征可能导致对高度偏移的特征适应不足或对已可迁移的特征进行不必要的修改。这些观察表明，少样本跨域适应需要一种更具选择性和参数效率的机制，以响应分布偏移下的特征级异质性。如图 1 所示，现有策略在目标数据有限时要么过于沉重，要么过于粗糙，无法处理异质的特征迁移性。

受图 1 中总结的观察所启发，我们提出了 Meta-FAN，一种用于少样本跨域建筑能耗预测的轻量级适应框架。其核心思想是跨域适应不应将所有输入特征一视同仁。相反，适应应当是有选择性的且逐特征进行的，因为不同变量在分布偏移下可能表现出不同程度的迁移性。为此，Meta-FAN 引入了一个逐特征仿射适应模块，仅使用少量可训练参数来调整各个输入特征，遵循逐特征仿射调制的总体思路[12]。这种设计在骨干网络微调之前提供了一个参数高效的适应步骤，同时比全局对齐策略提供更精细的控制。

为了在极其有限的目标数据下进一步提高适应效果，Meta-FAN 以迁移性感知的初始值来初始化逐特征适应过程。具体而言，该框架使用特征级稳定性和跨域差异信号来指导适应参数的初始化，并采用模型无关的元学习策略以提高跨迁移任务的快速适应能力[13]。通过这种方式，Meta-FAN 将选择性逐特征调整与高效的少样本适应相结合。在仅使用一天目标域数据的留一城市交叉验证评估协议下，所提框架在消融研究的七种配置中取得了最低的总体平均 NMSE（在六个目标楼层和五个随机案例上取平均），并且在案例间标准差上低于微调基线。

本工作的主要贡献总结如下：
•我们建立了在严重目标数据稀缺（少至一天目标数据）条件下的少样本跨域建筑能耗预测问题，反映了新监测建筑和新城市的实际部署场景。
•我们提出了 Meta-FAN，一个在骨干网络微调之前引入轻量级、选择性逐特征输入适应的框架，FAN 模块仅使用 32 个参数，并保持与标准目标域微调相同的骨干网络微调预算。
•我们引入了一种迁移感知初始化策略，结合特征级稳定性和域差异信号与元学习，以支持在有限目标数据下的有效适应。
•我们在留一城市交叉验证协议下对 Meta-FAN 进行了全面评估，包括主要性能比较、组件消融、补充指标、支持集敏感性分析、额外的 Transformer 骨干网络评估以及特征级解释。

Section 片段

数据驱动建筑能耗预测

数据驱动方法已被广泛应用于建筑能耗预测[1]、[14]。这些方法从历史测量数据、气象变量、与占用相关的信息和日历特征中学习短期建筑运行模式。大型公共数据集和共享基准也改善了在异构建筑、仪表和站点之间的可重复评估，使得在不同运行条件下比较预测模型变得更加容易[15]、[16]。循环神经网络、

问题设置

我们在留一城市交叉验证设置下考虑少样本跨域建筑能耗预测问题。设 C={c1,c2,c3} 表示城市集合，每个城市包含两个工作楼层的数据。在每一轮迁移中，保留一个城市作为目标域，将剩余两个城市合并作为源域。域划分在城市级别定义，而适应和评估针对每个目标楼层分别进行。

对于每个楼层，输入 Xt∈RL×Fall

数据集和预处理

我们在三个中国城市——北京、合肥和惠州——收集的建筑能耗数据上评估所提方法，采用第 3 节中介绍的留一城市交叉验证设置。完整评估涵盖六个工作楼层（每城市两个），均以 5 分钟分辨率采样。如图 3 所示，三座城市跨越不同的柯本气候区，并附有被监测建筑和传感设备的现场照片，共同为有意义且

Meta-FAN 的总体性能

我们首先报告少样本迁移设置下的主要结果。两种方法使用相同的 LSTM 骨干网络和相同的 3 个 epoch 的目标域微调预算，因此比较聚焦于逐特征元适应的效果。表 2 报告了基线和 Meta-FAN 在每个目标楼层和五个随机案例中的 NMSE，以及跨案例的平均值和每楼层的相对改善。

Meta-FAN 在 30 个楼层案例中的 28 个取得了低于基线的 NMSE。

逐特征适应为何有效

实验结果表明，逐特征适应在少样本跨域设置中提供了相对于标准骨干网络微调的总体改善。第 5.3 节中的物理可解释性分析有助于解释这一模式。不同的输入特征在城市之间表现出显著不同的迁移性特征：室内 CO2 和占用指示符在源-目标对之间功能稳定，而暖通空调压力、太阳辐射和湿度指标则表现出

结论

我们提出了 Meta-FAN，一个轻量级的逐特征适应框架，能够在少样本跨域部署下实现可迁移的建筑能耗预测。该方法通过结合选择性输入适应和后续骨干网络微调，解决了有限目标监督下的异质特征迁移性问题。Meta-FAN 引入了一个逐特征仿射适应模块，每个目标楼层仅使用 32 个可训练参数来适应各个输入特征，

CRediT 作者贡献声明

Zhehao Zhang：撰写 – 原稿、可视化、验证、软件、方法论、形式化分析、数据整理、概念构思。
Jiacheng Cui：撰写 – 审阅与编辑、验证、监督。
Ji Bian：监督、资源、调查、数据整理。
Chunyang Zuo：监督、资源、数据整理。
Gengjie Huang：撰写 – 审阅与编辑、可视化、验证。
Guoming Tang：撰写 – 审阅与编辑、监督、项目管理、资金获取。

数据伦理声明

数据集由授权的内部运营数据和现场收集的监测数据组成。数据不包含可识别的个人信息，并在分析前进行了去标识化处理。数据的收集和使用符合适用的法规和机构要求。由于本研究不涉及人类参与者或可识别的个人数据，因此不需要正式的伦理审查。

生成式 AI 及 AI 辅助技术在写作过程中使用的声明

在本工作的准备过程中，作者使用了 DeepSeek 服务（www.deepseek.com）进行语言润色和措辞优化。在使用该服务后，作者根据需要审查和编辑了内容，并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明，他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文所报告的工作。

致谢

本工作部分由广东省基础与应用基础研究基金–南沙联合基金（编号：2025A1515140030）、国家自然科学基金（编号：62672428）以及中国海外大海洋低碳技术有限公司的产业研究资助支持。

Zhehao Zhang | Jiacheng Cui | Ji Bian | Chunyang Zuo | Gengjie Huang | Guoming Tang