6、机器学习与数据库知识发现前沿研究

机器学习与数据库知识发现前沿研究

在当今科技飞速发展的时代，机器学习和数据库知识发现领域不断涌现出创新成果。本文将聚焦于能源预测和遥感数据分类这两个重要方向，深入探讨相关的研究进展和应用。

1. 能源预测：应对异常时期的挑战

准确预测建筑物的能源使用量对于促进可持续发展和减少浪费至关重要。然而，在异常时期，如 COVID - 19 大流行期间，由于人员占用模式和能源使用行为的变化，能源预测变得极具挑战性。

传统的能源预测方法在面对数据分布变化时往往表现不佳。在线学习为解决这一问题提供了新的思路，它允许模型根据新的数据点实时更新，从而适应占用模式的变化。但在线学习存在灾难性遗忘的问题，即新获取的知识会抹去之前学到的信息。

为了解决这个问题，持续学习方法应运而生。持续学习方法能够让能源预测模型在容纳新数据的同时保留有价值的见解，提高在分布外场景中的泛化能力。例如，Fast and Slow Network (FSNet) 结合了未来适配器和关联记忆模块，未来适配器有助于快速适应数据分布的变化，关联记忆模块则保留过去的模式以防止灾难性遗忘。

此外，人类移动性数据也被用作占用率的代理。通过利用移动设备的普及来跟踪移动模式并推断占用水平，这种方法提供了一种无需依赖传统传感器或手动数据收集方法来监测占用模式的途径。

为了验证这些方法的有效性，研究人员使用了来自墨尔本四座建筑物的数据进行了广泛的实验。实验结果表明，移动性上下文在封锁后对能源预测的重要性更为显著，并且持续学习在封锁前后的时期都能显著提高模型的性能。

1.1 FSNet 架构详解

FSNet 采用 Temporal Convol