Цифровой двойник HVAC-систем
Прогнозирует временные ряды систем отопления и вентиляции (HVAC) для оптимизации энергопотребления.
О сервисе
TTM4HVAC – TinyTimeMixer для моделирования динамики HVAC Этот репозиторий содержит основной и рекомендованный checkpoint проекта TTM4HVAC: тонко настроенную версию IBM TinyTimeMixer, предназначенную для использования в качестве общего цифрового двойника динамики здания под управлением системы HVAC. Эта модель соответствует конфигурации обучения “source-all” (все исходные здания, полный набор данных) и обеспечивает наилучшую общую производительность по оценочным тестам TTM4HVAC. Подробнее в статье: arXiv:XXXX.XXXXX (будет опубликовано). 🔧 Установка Для модели требуется инструментарий IBM Granite Time Series Foundation Model, доступный через PyPI: Это установит пакет , содержащий: Утилиты для работы с датасетами 🚀 Быстрый старт В этом примере модель загружается непосредственно из Hugging Face и выполняет: Предварительную обработку данных Оценку Zero-shot Генерацию прогноза Пример использования 📑 Схема входных данных Ваш входной должен содержать: (столбец временных меток) Целевые переменные: Наблюдаемые переменные: Управляющие переменные: Частота дискретизации должна составлять 15 минут (). 📦 Связанные модели (семейство TTM4HVAC) Эти модели соответствуют каждому эксперименту, задокументированному в статье: gft/ttm4hvac - Основная модель, лучший результат (этот репозиторий) gft/ttm4hvac-source-default gft/ttm4hvac-target-default gft/ttm4hvac-target-chaotic 📚 Связанные датасеты Наборы данных для обучения и оценки, использованные для этой тонкой настройки: gft/ttm4hvac-source-all-train gft/ttm4hvac-target-heat-test gft/ttm4hvac-target-cool-test Другие датасеты: gft/ttm4hvac-source-default-train gft/ttm4hvac-target-chaotic-train gft/ttm4hvac-target-default-train 📘 Обзор проекта TTM4HVAC исследует, как архитектуры временных рядов на основе foundation-model (, от IBM Granite TSFM) могут: моделировать сложную тепловую динамику зданий, обобщать данные по зданиям и климату, поддерживать перенос знаний от исходных → целевых зданий, оценивать в различных моделях поведения (стандартные расписания против хаотичных жильцов). ✒️ Цитирование Если вы используете эту модель или наборы данных, пожалуйста, укажите: F. Aran , Transfer learning of building dynamics digital twin for HVAC control with Time-series Foundation Model, arXiv:XXXX.XXXXX, 2025. https://arxiv.org/abs/XXXX.XXXXX Источник: https://huggingface.co/gft/ttm4hvac Источник: https://qubu.ai/models/ttm4-hvac License: MIT
