《Energy》：A novel building energy consumption prediction method based on multivariate time series alignment and dual-branch joint learning
编辑推荐：
准确的建筑能耗预测对于优化建筑运行、促进节能及减少碳排放至关重要。尽管多元时间序列（Multivariate Time Series, MTS）融合方法已提升了预测精度，但变量间的局部平稳领先滞后关系仍限制了进一步提升。为此，研究人员提出了一种基于MTS对齐与
准确的建筑能耗预测对于优化建筑运行、促进节能及减少碳排放至关重要。尽管多元时间序列（Multivariate Time Series, MTS）融合方法已提升了预测精度，但变量间的局部平稳领先滞后关系仍限制了进一步提升。为此，研究人员提出了一种基于MTS对齐与双分支联合学习（MTA-DBJL）的新方法，以实现精准预测。首先，研究人员设计了一种基于时间偏移互相关（Time Offset Cross-Correlation, TOCMTA）机制的MTS对齐方法，用于解决辅助变量与能耗变量之间的局部领先滞后关系。通过分析辅助变量与能耗变量在时间维度上的相关性，精确估计辅助变量相对于能耗变量的时间偏移步长，并利用时间平移策略消除偏移，实现两者的时间对齐，确保时间一致性。其次，采用局部加权回归季节性趋势分解（Seasonal and Trend decomposition using Loess, STL）将能耗变量分解为季节性、趋势和残差分量，解耦复杂的时间模式，凸显能耗变量的内在特征。最后，研究人员设计了双分支联合学习（Dual-Branch Joint Learning, DBJL）机制，分别并行提取时间性变量与弱时间性残差变量的特征，并进行融合以预测未来能耗。通过在AEP与IHEPC两个建筑能耗数据集上进行一系列实验比较，验证了MTA-DBJL方法的优异预测性能。
该研究针对当前建筑能耗预测中存在的变量领先滞后关系未校正、复杂时间模式难以充分挖掘等问题展开。建筑行业占全球能源消耗的30%–40%，温室气体排放占比超过25%。在全球能源供应趋紧和环境挑战加剧的背景下，精准的能耗预测是实现精细化能源管理、优化资源配置的关键。现有数据驱动方法主要分为时间序列分解法与MTS融合法。前者如STL可揭示趋势与季节规律，但忽略了外部影响因素；后者虽可融合多因素，却常因未校正变量间的时间偏移导致特征提取不准确，且能耗序列中的弱时间性残差成分难以有效建模。
研究人员提出了MTA-DBJL方法，核心包括三个技术环节：①基于TOCMTA的多元时间序列对齐，利用快速傅里叶变换（Fast Fourier Transform, FFT）计算辅助变量与目标变量的跨时间步互相关，估计并校正领先滞后偏移，并结合全时域填补策略保证数据完整性；②基于STL的能耗变量分解，将其拆分为季节性、趋势和残差分量，作为补充输入；③设计DBJL机制，并行提取强时间性分量与弱时间性残差的特征并融合预测。实验采用AEP与IHEPC真实建筑能耗数据集，在PyTorch框架下完成模型训练与验证。
MTS对齐与填补
研究人员通过TOCMTA模块识别各辅助变量相对能耗目标的时间偏移量，并在时间轴上平移以达成同步。针对历史与预测数据中的缺失值，采用全时域数据填补策略确保对齐后的辅助变量完整，从而保证输入质量。
能耗变量分解
STL分解将能耗数据拆解为季节性分量（反映周期性变化）、趋势分量（长期变化方向）和残差分量（不规则波动）。这一处理有助于揭示能耗的内在模式，降低复杂时序建模难度。
双分支联合学习预测
DBJL机制包含两个并行分支：一支专注于强时间性分量（季节性与趋势），另一支处理弱时间性残差。两路特征在高层融合，形成综合表征用于未来能耗预测。
实验结果
在AEP与IHEPC数据集上，MTA-DBJL在多项评价指标上均优于六种主流先进方法（State-of-the-Art, SOTA），证明其在校正时间偏移、解耦复杂模式及并行特征提取方面的有效性。
结论与意义
本研究提出的MTA-DBJL方法通过时间对齐、分解与双分支学习，显著提升了建筑能耗预测的准确度与稳定性，对建筑节能管理、碳减排规划具有重要应用价值。该方法发表于《Energy》，为多元时间序列预测领域提供了新的技术路径。
研究人员总结指出，TOCMTA可有效消除辅助变量与能耗变量间的领先滞后偏差，STL分解能够清晰分离能耗的不同时间模式，DBJL则实现了对强弱时间特征的联合建模。三者结合在多数据集上的优越表现，验证了该方法在实际建筑能耗预测任务中的可行性与先进性。
