摘要
在传感器密集的环境中，由于传感器之间的强依赖性、时间变化性以及传感器的异构性，准确预测能源消耗仍然是一个挑战。本文提出了一种轻量级且易于解释的多传感器融合框架，用于短期能源消耗预测。首先对异构传感器数据集进行预处理，以处理缺失值、异常值和时间不对齐问题，然后将多变量信号同步到一个共同的时间线上，以实现一致的学习。该框架系统地研究了多种利用同步多传感器数据信息的策略，而无需进行显式的特征消除或时间延迟处理。具体考虑了三种融合范式：(i) 早期融合（Early Fusion），所有传感器测量值共同作为多变量回归模型的输入特征；(ii) 后期融合（Late Fusion），各个传感器预测器独立训练，并根据可靠性进行加权组合；(iii) 受注意力机制启发的融合策略（attention-inspired fusion），根据训练误差估计的预测可靠性为传感器级别的预测分配自适应权重，并通过softmax函数进行归一化。此外，在相同的实验条件下评估了包括随机森林（Random Forest, RF）、支持向量回归（Support Vector Regression, SVR）和梯度提升（Gradient Boosting, GB）在内的经典机器学习模型，以提供一致的基准。在包含九个异构传感器的真实建筑能源监测数据集上的实验结果表明，与单一模型基线相比，多传感器融合方法显著提高了预测性能。在评估的策略中，后期融合在负载高度相关的情况下提供了稳定的性能，而受注意力机制启发的融合策略在处理具有不同预测可靠性的传感器时表现出更好的鲁棒性。为了确保鲁棒性和可重复性，结果使用多个时间顺序的验证分割进行报告，并从RMSE、MAE和
