美国纽约大学坦顿工程学院的研究人员正通过机器学习技术，从不同时间尺度预测建筑能耗，旨在为减少城市温室气体排放提供数据支持。这项研究由该院土木与城市工程系的塞米哈·埃尔根教授及其博士生亨·权共同开展。

研究团队面临的主要挑战是建筑物普遍缺乏详细的历史能耗数据。埃尔根教授指出：“实际上，大多数建筑物只有每月用电量数据。” 为解决此问题，团队开发了名为STARS的算法，该算法先利用大量模拟建筑数据进行训练，再将知识迁移至真实建筑，以实现对未来24小时用电量的预测。该模型在纽约州101栋实际建筑数据上的测试显示，其预测误差低于行业校准良好的标准阈值。埃尔根教授表示：“最终，这将有助于提高电网效率和居民舒适度。”

另一项研究则关注气候变化对能源需求的长期影响。团队开发了一种融合物理学知识的机器学习模型，基于纽约市千余栋建筑的实际能耗数据进行训练，用以预测气温升高2至4华氏度情景下的月度能耗变化。研究表明，例如气温升高4度可能使夏季平均能耗增加7.6%。

这些从短期日前协调到长期气候适应不同时间尺度开展的建筑能耗预测研究，有助于电网管理、基础设施规划及政策制定。由于运营能耗直接关联排放，此类工作最终服务于减少温室气体排放的目标。

更多信息： 作者：Heng Quan 等人，标题：《面向可持续城市大规模短期建筑能耗预测的仿真到实际迁移学习》，发表于：第十二届 ACM 节能建筑、城市和交通系统国际会议论文集(2025)。作者：Heng Quan 等人，标题：《气候变化对城市的影响：通过混合计算方法分析未来气候情景下的建筑能耗》，发表于：CIB 会议(2025)。