Согласно статистике, жизнь и работа современных городских жителей тесно связаны со зданиями, и более 80% их времени проводится в городских зданиях.Интеллект зданий, несомненно, является ключевой темой исследований с далеко идущим влиянием.
В последние годы, с развитием технологий граничных вычислений, расширение сценических приложений, связанных с периферийным интеллектом, также стало для технологических компаний способом продемонстрировать технологические инновации и коммерческую ценность.Также появились различные решения граничного ИИ, такие как Huawei Cloud Intelligent. Edge Platform IEF, универсальная мультимодальная платформа для совместной разработки ИИ с терминалом и облаком HiLens. Согласно статистике, жизнь и работа современных городских жителей тесно связаны со зданиями, и более 80% их времени проводится в городских зданиях.Интеллект зданий, несомненно, является ключевой темой исследований с далеко идущим влиянием. Эта статья будет посвящена одной из наиболее важных тем в интеллектуальном строительстве, прогнозированию и управлению энергоэффективностью центрального кондиционирования воздуха.В настоящее время самым большим узким местом, стоящим перед этой темой, является то, что большинство существующих методов прогнозирования и управления энергоэффективностью ограничены одним задача в облаке и не может поддерживать центральный кондиционер.Возможность моделей энергоэффективности кондиционирования воздуха на большом количестве сложных сценариев, подразумеваемых краем.
Хорошо известно, что системы HVAC (включая отопление, вентиляцию и кондиционирование воздуха) преобладают в потреблении электроэнергии в коммерческих зданиях. Существующие исследования систем HVAC показали, что важно точно определить коэффициент энергоэффективности чиллеров (более высокие числа более энергоэффективны), и недавно предложенные прогнозы коэффициента энергоэффективности на основе данных могут быть применены к облаку. Однако, поскольку в разных парках установлены разные типы кондиционеров или разные типы датчиков, особенности и модели каждого проекта на разных краях сильно различаются.В случае небольших выборок трудно использовать общую модель для адаптации ко всем проекты.
В последние годы Лаборатория HUAWEI CLOUD Edge Cloud Innovation Lab тесно сотрудничала с известными исследовательскими группами школ и предприятий из Гонконгского политехнического университета, Исследовательского института IBM, Университета науки и технологий Хуажонг, Университета Тунцзи, Шэньчжэньского университета и других известных школ. -предприятие исследовательских групп и продолжали проводить технические исследования, опираясь на сценарии в области пограничного интеллекта, надеясь постепенно решить проблему пограничного интеллекта, которая содержит большое количество сложных сцен в реальности. Заинтересованные читатели могут обратить внимание на историческую работу по многозадачному обучению, многозадачному планированию и многозадачным приложениям, опубликованную в период с 2018 по 2020 год:
Общий алгоритм: многозадачная миграция и пограничное планирование
Многозадачное обнаружение отношений миграции на основе метаданных
Zheng, Z., Wang Y., Dai Q., Zheng H., Wang, D. "Metadata-driven task relation discovery for multi-task learning." In Proceedings of IJCAI (CCF-A), 2019.
В этой статье рассматривается практический пример многозадачности.В разных проектах пограничной аналитики используются разные устройства, чтобы сделать пограничную модель другой, которую можно применить к настройкам многозадачности. Изюминкой этой статьи является введение метаданных, которые представляют собой описательную информацию о наборе данных, используемую в ежедневных системных операциях в сложных системах и содержащую экспертную информацию. На основе атрибутов задачи извлечения метаданных в этой статье разрабатывается многозадачный общий алгоритм искусственного интеллекта, который сочетает в себе атрибуты задачи метаданных и иерархию атрибутов типовой задачи (рис. 1). Эксперты-рецензенты соответствующих статей также считают, что эта технология показала практическую ценность в прикладной практике, имеет большое значение для реальной реализации проектов машинного обучения и станет технологией, представляющей интерес для современных крупных организаций.
Рис. 1. Цвета обозначают разные кластеры, а числа обозначают разные модели устройств. Метод на основе атрибутов выборки склонен к отрицательному переносу (смешение разных моделей моделей устройств в одном кластере, слева), в то время как метод на основе метаданных позволяет избежать отрицательного переноса (справа).
Система назначения граничных задач и реализация многозадачного трансферного обучения
Zheng, Z., Chen, Q., Hu, C., Wang, D., & Liu, F. "On-edge Multi-task Transfer Learning: Model and Practice with Data-driven Task Allocation." In Proceedings of IEEE TPDS (CCF-A), 2019.
Chen, Q., Zheng, Z., Hu, C., Wang, D., & Liu, F. "Data-driven task allocation for multi-task transfer learning on the edge. " In Proceedings of IEEE ICDCS (CCF-B), 2019.
Многозадачное трансферное обучение — типичный способ решить проблему нехватки образцов на периферии. Однако текущее распределение задач и планирование работы на периферии обычно предполагает, что разные задачи одинаково важны, что приводит к неэффективному распределению ресурсов на уровне задач. Для повышения производительности системы и качества обслуживания мы обнаружили, что важность различных задач для принятия решений является важным показателем, который необходимо срочно измерить. Мы показываем, что назначение задач на основе важности представляет собой NP-полный вариант задачи о рюкзаке и что решение этой сложной задачи необходимо часто пересчитывать в сценариях с переменными краями. Поэтому мы предлагаем алгоритм на основе ИИ для решения проблемы граничных вычислений и тестируем алгоритм в реальных и изменяемых граничных сценариях (рис. 2).По сравнению с алгоритмом SOTA алгоритм может сократить время обработки более чем в 3 раза. и почти 50% энергопотребления.
Рис. 2. Динамическое распределение задач и планирование в соответствии с пограничными сценариями
Пограничные приложения: построение интеллектуальных систем
Многозадачное управление нагрузкой чиллера
Zheng, Z., Chen, Q., Fan, C., Guan, N., Vishwanath, A., Wang, D., & Liu, F. "Data Driven Chiller Sequencing for Reducing HVAC Electricity Consumption in Commercial Buildings." In Proceedings of ACM e-Energy, 2018. Best Paper Award.
Zheng, Z., Chen, Q., Fan, C., Guan, N., Vishwanath, A., Wang, D., & Liu, F. "An Edge Based Data-Driven Chiller Sequencing Framework for HVAC Electricity Consumption Reduction in Commercial Buildings." IEEE Transactions on Sustainable Computing, 2019.
Многозадачность может применяться для повышения энергоэффективности здания. Кулеры являются крупнейшими потребителями энергии в зданиях. Прогнозирование энергоэффективности чиллера и управление им, прогнозирование коэффициента энергоэффективности при принятии решений о загрузке чиллера и оптимизация решений о загрузке чиллера всегда были одними из самых важных вопросов исследований в области интеллектуального управления зданием. В этом исследовании отмечается, что при прогнозировании энергоэффективности при принятии решений по охлаждению разные модели оборудования и условия эксплуатации разных маргинальных проектов приведут к разным моделям конечного спроса. В этом случае использование только одной модели в облаке может легко привести к снижению точности и принятию неправильных решений. В этой работе разрабатывается многозадачная структура принятия решений о нагрузке чиллера с координацией пограничного облака (рис. 3), которая может сэкономить более 30% энергии по сравнению с текущими промышленными методами без развертывания дополнительного оборудования с использованием существующих оконечных узлов.
Рис. 3. Структура принятия решений о загрузке охлаждающей машины на основе совместной работы в пограничном облаке
Прогноз уровня комфорта кондиционирования воздуха на основе многозадачности
Zheng, Z., Dai Y., Wang D., "DUET: Towards a Portable Thermal Comfort Model." In Proceedings of ACM BuildSys (Core rank A), 2019.
Yang, L., Zheng, Z., Sun, J., Wang, D., & Li, X. A domain-assisted data driven model for thermal comfort prediction in buildings. In Proceedings of ACM e-Energy. 2018.
Прогнозирование комфортности кондиционирования воздуха является одной из важных тем исследований в долгой истории построения интеллекта. Современные методы оценки комфорта часто требуют вмешательства человека, такого как дополнительные датчики или обратная связь с пользователем, что затрудняет само масштабирование. Было показано, что прогнозирование комфорта кондиционирования воздуха на основе методов машинного обучения снижает дополнительное вмешательство человека. Однако в различных пограничных сценариях такие факторы, как тип охлаждения здания и тип установленных датчиков, могут привести к серьезным ошибкам в одной общей модели в облаке. В этом исследовании предлагается многозадачный метод прогнозирования комфорта кондиционирования воздуха, точность которого на 39% и 31% выше, чем у модели механизма и однозадачной модели соответственно.
Адаптивное определение задачи Edge
Основываясь на вышеупомянутых проектах, читатели могут узнать об алгоритмах, системах и приложениях периферийного интеллекта, основанных на многозадачности. Стоит отметить, что перед использованием многозадачности сначала необходимо ответить на вопрос о том, как определяются и разделяются задачи, например, определение количества моделей машинного обучения, необходимых для разных проектов в рамках приложения, и область применения каждой модели. В настоящее время в этот метод могут вручную вмешиваться только специалисты по обработке и анализу данных и эксперты в предметной области, а степень автоматизации низка, что затрудняет масштабное тиражирование. Поэтому автоматическое определение задач машинного обучения на периферии — открытая, но важная проблема.
Чтобы адаптивно определять задачи прогнозирования машинного обучения в различных граничных сценариях, Лаборатория инноваций HUAWEI CLOUD Edge Cloud недавно опубликовала исследовательскую работу «MELODY: адаптивное определение задачи прогнозирования COP с метаданными для управления HVAC и экономии электроэнергии». В этом исследовании предлагается структура многозадачного прогнозирования (MELODY) с определениями задач, которые могут адаптивно определять и изучать сложные задачи прогнозирования коэффициента энергоэффективности.
MELODY — это первый метод адаптивного определения задачи прогнозирования коэффициента энергоэффективности на основе различных граничных сценариев. Эта работа предоставляет привлекательный механизм для исследователей и разработчиков приложений, которые ищут автоматизированные и эффективные методы машинного обучения на периферии, особенно для сложных систем с разнообразными метаданными, но с недостаточным количеством выборок данных. Ключевая идея MELODY заключается в использовании метаданных для динамического разделения нескольких задач.В документе предлагается математическое определение метаданных и два источника и метода извлечения метаданных.
Команда оценила эффективность схемы на практике: 4-месячный эксперимент на 9 чиллерах в 8 зданиях в 2 крупных индустриальных парках. Экспериментальные результаты показывают, что решение MELODY превосходит самые современные методы прогнозирования коэффициента энергоэффективности и способно сэкономить 252 МВтч электроэнергии в месяц для обоих кампусов, что составляет более 35% экономии энергии по сравнению с текущим способом работы чиллеров. в зданиях.
Бумага МЕЛОДИЯ награжденаACM e-Energy 2020перенимать:
Zimu Zheng, Daqi Xie, Jie Pu, Feng Wang MELODY: Адаптивное определение задачи прогнозирования COP с метаданными для управления HVAC и энергосбережения ACM e-Energy 2020. Австралия.
ACM e-Energy является частью флагманской конференции ACM EIG-Energy Interest Group, на пересечении вычислений и энергетики.
1. Уровень принятия статей составляет 23,2%, а уровень принятия за годы составляет около 20%;
2. То же, что Ubicomp CCF-A, ECAI и TKDD H5-индекс CCF-B такие же;
3. В число 55 членов комитета по процессу проверки входят 8 стипендиатов ACM/IEEE (около 15%), в том числе Эндрю А. Чиен, Клара Нахрстедт и Прашант Шеной;
4. Членами комитета по процессу проверки являются представители Исследовательского института IBM, Иллинойсского университета в Урбана-Шампейне, Кембриджского университета, Вашингтонского университета, Университета Пердью, Массачусетского университета в Амхерсте, Университета Саймона Фрейзера, Наньянского технологического университета, Университета Цинхуа, Гонконгский политехнический университет и др. Всемирно известные школы и предприятия;
5. Среди 13 конференций серии ACM Federated Computing Research Conference (FCRC) ACM FCRC совпадает с STOC, ISCA, PLDI CCF-A, IWQos, SIG Metric, COLT, HPDC, ICS, LCTES, SPAA CCF-B. , и т. д. Серия топовых встреч спонсируется всемирно известными компаниями, такими как Google, Microsoft, IBM, Huawei, arm, Xilinx и т. д.
Прогноз коэффициента энергоэффективности
Системы HVAC на основе чиллеров обычно используются в коммерческих зданиях и потребляют от 40% до 70% общего потребления электроэнергии зданием, что в значительной степени определяется потреблением системы HVAC. Счета за электроэнергию, оплачиваемые коммерческими зданиями, большая часть которых идет на системы HVAC, обычно входят в тройку основных операционных расходов организации. Эта тенденция оказывает огромное давление на управляющих объектами, чтобы повысить энергоэффективность своих зданий за счет снижения энергопотребления, связанного с системами HVAC.
Основное потребление HVAC приходится на чиллеры (см. рис. 4). Эффективность типичного управления нагрузкой чиллера в значительной степени зависит от производительности чиллера во время работы, то есть от коэффициента энергоэффективности при различных условиях холодильной нагрузки. Коэффициент энергоэффективности — это показатель для измерения энергоэффективности чиллера, который относится к выходной холодопроизводительности при потребляемой блоком входной мощности. Коэффициент энергоэффективности обычно больше 1, а большее значение означает более высокую эффективность. На практике менеджеры объекта обычно измеряют исходную информацию о коэффициентах энергоэффективности во время первоначального тестирования и ввода в эксплуатацию чиллеров во время их развертывания в зданиях и используют эту исходную информацию для управления нагрузкой чиллера. Охлаждающая нагрузка обычно рассматривается как единственный параметр при проверке исходной информации. Однако эта первоначальная информация не может отразить влияние фактических параметров и, как показали недавние исследования, является неточной.
Рисунок 4 Принципиальная схема охладителя
В данном исследовании в качестве примера рассматривается проблема прогнозирования коэффициента энергоэффективности. Коэффициент энергоэффективности сильно зависит от многих факторов, таких как условия эксплуатации, потребность в охлаждении, старение оборудования, погода и т. д. Чтобы отразить эти факторы в чиллерах, в существующей работе был предложен подход, основанный на данных. Задачу прогнозирования коэффициента энергоэффективности можно рассматривать как изучение «формулы», называемой моделью, на этапе обучения, которая способна выводить коэффициент энергоэффективности с заданными характеристиками на этапе вывода.
Адаптивное определение задачи
Существующие методы обычно предполагают, что конфигурация задач прогнозирования, такая как количество моделей прогнозирования в одном приложении и область применения моделей прогнозирования, определяется и фиксируется учеными данных или экспертами в предметной области. Ниже сравниваются три широко распространенные настройки: однозадачность, многозадачность и многозадачность с помощью эксперта.
постановка одной задачи
Один из наиболее типичных и широко распространенных подходов к конфигурации задачи прогнозирования основан на фиксированной настройке одной задачи: это означает объединение всех наборов данных в единое целое и обучение одной модели прогнозирования. Исследователи могут использовать любой алгоритм машинного обучения (например, SVM, нейронную сеть, бустинг и т. д.), чтобы изучить такую модель и применить обученную единственную модель на этапе логического вывода в любом сценарии.
Однозадачная настройка предполагает, что для разных наборов данных в разных проектах в рамках одного приложения одной модели должно быть достаточно для описания взаимосвязи между выбранными функциями и коэффициентами энергоэффективности. Однако это предположение не всегда может быть верным.
Например, в двух парках используются чиллеры двух типов: в парке H используется чиллер Trane CVHG1100, а в парке J используется чиллер Carrier W3C100, тогда характеристики и коэффициент энергоэффективности должны быть скорректированы в соответствии с моделью чиллера, термодинамической моделью. Пограничные пользователи также склонны ожидать применения разных моделей к двум пограничным проектам: даже если два чиллера вводят одинаковые характеристические значения, такие как температура воды, коэффициент энергоэффективности на выходе должен быть разным. Но если вы объединяете два набора данных и обучаете одну и ту же модель энергоэффективности, часто сложно обеспечить это без вмешательства человека.
Предыдущее исследование автора также показывает, что помимо разных моделей холодильных машин, используемых в разных периферийных проектах, которые могут привести к разным моделям, примеры, которые могут привести к разным моделям, включают: разные условия работы и конфигурации параметров, используемые в разных проектах, и типы датчиков, используемых в разных проектах, разные характеристики, разные времена года и т. д. (причины пробела повторяться не будем, а заинтересованные читатели могут обратиться к исторической работе исследовательской группы, упомянутой в начале статьи).Сфера применения моделей, обученных для разных граничных сценариев, может быть совершенно разной. Таким образом, использование одной настройки задачи для разных сценариев — не всегда лучший выбор, что может привести к серьезным ошибкам на практике, особенно в некоторых проектах периферийной аналитики, где обучающая выборка недостаточно велика, чтобы автоматически отличать сценарии друг от друга в большом количестве. Особенности Кейс.
Настройки многозадачности
Но текущая конфигурация задач прогнозирования, такая как количество требуемых моделей и область применения моделей, все еще остается открытой проблемой. Чтобы глубже изучить эту проблему, команда дополнительно проверила настройку многозадачности, а не настройку одной задачи, то есть наблюдение за производительностью нескольких моделей на нескольких наборах тестов. В реальном здании 5 моделей (далее M1–M5) были обучены с использованием обучающего набора данных от охладителя 1 до охладителя 5. Затем производительность 5 моделей была протестирована в различных сценариях на еще 5 тестовых наборах данных (T1–T5). Эксперимент и его результаты показаны на рисунках 5-1 и 5-2 соответственно.
Рисунок 5-1 Схематическая диаграмма эксперимента комплексной модели обучения холодовой машине при различных тестовых наборах холодной машины.
Рисунок 5-2 Результаты сравнения точности прогнозирования и времени сбора выборки сложной модели обучения холодовой машины при различных наборах тестов холодной машины
Наблюдения показывают, что,
1) Точность
Несмотря на обучение на разных наборах данных, модель охладителя 1 хорошо работает на тестовых наборах охладителя 2 и охладителя 3, но вызывает серьезные ошибки на тестовых наборах охладителя 4 и охладителя 5. Аналогичные наблюдения можно увидеть для моделей чиллеров от 2 до чиллеров 5. Это связано с тем, что чиллеры с 1 по 3 относятся к одной и той же модели чиллера, а чиллеры 4 и 5 относятся к другой модели.
2) время сбора образцов
Если задачи разделены по холодным машинам, для каждой задачи холодной машины требуется не менее 81 дня выборок. Но если его разделить на 2 задачи по модели, для каждой модельной задачи требуется только 30-дневная выборка. Это связано с тем, что каждая модельная задача содержит данные, собранные несколькими чиллерами.
Основываясь на приведенных выше результатах точности и времени сбора образцов, вместо того, чтобы рассматривать 5 чиллеров для определения 5 задач чиллера, в этом наборе данных лучше рассмотреть 2 модели (охлаждение 1-3 и чиллер 4-5), чтобы определить 2 для каждой модели. задача, в приведенном выше примере время сбора проб может быть сокращено примерно на 63%, а точность может быть повышена почти на 10%.
Настройка многозадачности с помощью экспертов
На самом деле не только модели чиллеров, но и изменяющиеся во времени условия окружающей среды (например, погодные условия) и условия эксплуатации (например, температура подачи воды) могут привести к изменениям в модели коэффициента энергоэффективности. Благодаря знаниям экспертов в предметной области фиксированные задачи могут быть определены в застроенной среде и применены к различным зданиям.
Например, основываясь на предметном опыте в области исследования искусственной среды, недавняя работа группы дала фиксированные 50 задач, основанных на условиях эксплуатации в трех зданиях, для прогнозирования коэффициента энергоэффективности многозадачного чиллера; недавно команда дополнительно поставила фиксированные 4 задачи. в 160 зданиях в зависимости от времени года и типа охлаждения для многозадачного прогнозирования теплового комфорта.
Однако количество требуемых моделей и область их применения могут варьироваться в зависимости от различных сценариев периферийных проектов, и конфигурации экспертов в предметной области сложно динамически расширять с различными периферийными проектами. Например, в небольшом наборе данных зданий было бы лучше иметь 3 задачи, а именно обучить 3 разные модели для прогнозирования коэффициента энергоэффективности. Но в другом большом наборе данных с 1000 зданий 75 задач было бы лучше.Ручное определение задач машинного обучения для прогнозирования в крайних случаях часто приводит к непомерно высоким затратам или снижению точности, особенно когда задачи динамически меняются в проектах и во времени. Поэтому необходимо адаптивно определять задачи для разных сценариев.
MELODY
Данная исследовательская работа направлена на решение проблемы адаптивного определения задач, то есть на автоматическое определение разных задач в разных сценариях, например, на определение количества используемых моделей и области применения моделей в разных сценариях. Команда столкнулась с тремя основными проблемами и предложила структуру многозадачного прогнозирования (MELODY) с использованием адаптивного метода определения задач.
Задача 1: цель текущего проекта неизвестна, и, что еще хуже, также неизвестен набор возможных задач-кандидатов.
MELODY решает первую проблему, предлагая анализ задач. Он определяет задачи адаптивно на основе новых структур и алгоритмов, таких как леса задач, см. рис. 6. Это позволяет MELODY масштабироваться для прогнозирования коэффициентов энергоэффективности для многочисленных зданий и сред.
Рисунок 6 Пример леса задач: данные представляют обучающие образцы модели, атрибуты представляют область применения модели; узлы представляют подзадачи, включая данные, атрибуты и модели (если есть); каждый корневой узел леса, то есть вершина каждого дерева , Указывает, что каждая подзадача объединена в одну задачу. Конкретную реализацию и сложность алгоритма инициализации и обслуживания леса задач заинтересованные читатели могут прочитать в приложении к статье.
Задача 2: Показатели, определяющие область применения модели коэффициента энергоэффективности, неизвестны, и источник таких признаков также находится в стадии изучения.
MELODY решает вторую проблему, используя метаданные в качестве источника атрибутов задачи.
Метаданные определяются экспертами в предметной области и используются для повседневного контроля системы управления зданием. Например, название датчика и тип здания являются метаданными. В рамках MELODY команда предлагает методы извлечения двух видов метаданных из двух источников базы данных.
Метаданные содержат скрытую информацию о предметной области, с помощью которой можно адаптивно извлекать задачи со знанием предметной области и открывать дверь для автоматического и надежного определения задач, как показано на рис. 7.
Рис. 7. Определение задачи на основе извлечения метаданных (конкретную реализацию см. в документе)
Задача 3: количество комбинаций задач растет экспоненциально с увеличением количества атрибутов, поэтому холодных выборок недостаточно для обучения модели для всех комбинаций.
MELODY преодолевает третью проблему, используя многозадачное трансферное обучение. В многозадачной оптимизации задача обучения может использовать знания из других разных задач, тем самым уменьшая потребность в объеме данных.
Многозадачная оценка
Эта исследовательская работа оценивает производительность схемы, применяя ее к реальным данным, с 9 чиллерами в 8 зданиях в 2 крупных промышленных парках в течение 4 месяцев. Ситуация в парке показана на рисунке 8.
Рисунок 8. Информация о 8 зданиях и их чиллерах в 2 крупных промышленных парках.
Таблица 1. Выходные результаты определения задачи
В таблице 1 показана общая информация о задачах, полученных с помощью алгоритма определения задач, и два разных набора задач находятся в Park J и Park H. Наблюдение показывает, что количество моделей для разных проектов и сценарии, в которых используются модели, различны. С данными пятиминутного интервала в Park J можно майнить 33 задачи, а область применения этих моделей задач в основном оценивается по номинальной мощности чиллера и средней влажности. С данными часового интервала времени в парке H есть только 2 задачи, и диапазон применения необходимо оценивать по номинальной мощности и номинальной холодопроизводительности. Можно обнаружить, что размер выборки в каждой задаче невелик. Всего из 35 задач 13 задач имеют менее 100 отсчетов, а остальные 22 задачи имеют менее 1000 отсчетов.
В исследовании сравниваются несколько типичных методов, применяемых для прогнозирования энергоэффективности чиллеров:
(1) Текущий метод в отрасли: в начальном профиле (IP) используется первоначальный профиль, измеренный во время установки, для оценки будущего коэффициента энергоэффективности, и этот метод в настоящее время используется в отрасли.
(2) Общие методы в академических кругах: однозадачное обучение (STL) изучает модель путем агрегирования данных из всех задач в каждом наборе данных;
(3) Недавняя исследовательская работа: независимое многозадачное обучение (IMTL) на источниках данных, которое изучает каждую задачу независимо от источника данных. Например, закрепление 9 задач на 9 холодных машинах без обмена образцами или знаниями между задачами;
(4) Недавняя исследовательская работа: многозадачное обучение (MTL) со знанием предметной области, которое изучает кластеры задач с определенным знанием предметной области. Например, фиксированные 50 задач с 10 скважностями и 5 кулерами.
Таблица 2 Улучшение коэффициента ошибок каждого метода
Результаты в таблице 2 показывают, что определение задачи MELODY может быть улучшено по сравнению с STL (метод одной задачи). Однако неправильные определения задач (например, IMTL и MTL) не улучшились по сравнению с однозадачными методами. В основном это связано с тем, что IMTL и MTL генерируют меньшие наборы данных после разделения задач по сравнению с методами, использующими адаптивные задачи в разных наборах данных (например, MELODY), что приводит к отсутствию обучающих выборок в некоторых задачах. Когда количество задач увеличивается с количеством атрибутов и временем, эффект ухудшается, потому что отношения передачи задач становятся все более и более сложными. В этом случае обмен знаниями между задачами становится более сложным и легко приводит к эффекту, известному как отрицательный перенос, то есть к ошибкам, вызванным обменом знаниями из несвязанных исходных доменов в целевые домены. Видно, что MELODY может решать сопутствующие проблемы, так что результаты лучше, чем последние методы прогнозирования коэффициента энергоэффективности, снижая частоту ошибок прогнозирования коэффициента энергоэффективности на 18,18-61,70% и, наконец, экономя 252 МВтч электроэнергии в месяц. два парка, экономия энергии более чем на 36,75% по сравнению с тем, как чиллеры работают в существующих зданиях.
Автор этой статьи: д-р Чжэн, старший инженер-исследователь Лаборатории облачных инноваций Huawei Cloud Edge, окончил Гонконгский политехнический университет, его основное направление исследований — периферийный интеллект и AIoT. Опубликовал более десяти статей на ведущих конференциях и в журналах (TPDS, IJCAI, ICDCS, CIKM, TOSN, TIST и т. д.) в смежных международных областях, много раз получал награды за лучшую работу на конференциях, а также выигрывал ключевые технологические прорывы, ценные патенты и инкубация новых услуг много раз и другие награды Huawei за выдающийся вклад.
Лаборатория инноваций HUAWEI CLOUD Edge Cloud: цель состоит в том, чтобы изучить ключевые технологии совместной работы между устройством, периферией и облаком и создать вездесущее интеллектуальное периферийное облако с максимальным удобством. Вместе с промышленными партнерами и академическими учреждениями мы стремимся исследовать инновационные пограничные облачные технологии, внедрять инновационные пограничные облачные приложения и создавать процветающую пограничную облачную экосистему. Его исследовательские интересы включают крупномасштабную интеллектуальную пограничную облачную платформу, совместный ИИ с пограничным облаком, совместный рендеринг между устройством и пограничным облаком, а также ускорение видео. В настоящее время разработана и запущена платформа граничных вычислений Huawei IEF, а первая платформа облачных граничных вычислений на основе Kubernetes KubeEdge завоевала множество наград, таких как награда Peak Open Source Technology Innovation Award и Best Intelligent Edge Computing Technology Innovation Platform; первая в отрасли платформа для периферийных вычислений, инкубированная в облаке Инкрементальный рабочий процесс обучения для совместной работы, скоро будет запущена в сервисах HUAWEI CLOUD HiLens и IEF; с академической точки зрения, в прошлом были опубликованы 7 основных докладов на конференциях, связанных с совместным ИИ Edge-Cloud и облачными собственными граничными вычислениями. два года и выиграл ряд наград за лучшую работу и за отличную работу.
Нажмите «Подписаться», чтобы впервые узнать о новых технологиях HUAWEI CLOUD~