Исследователи представили TopoBrick — фреймворк для прогнозирования данных в IoT-системах зданий, работающий без предварительного обучения (zero-shot). Система использует графы знаний для анализа топологии и иерархии датчиков, что позволяет эффективно обрабатывать пространственные зависимости и контекст эксплуатации оборудования, которые обычно игнорируются стандартными моделями, рассматривающими датчики как изолированные временные ряды.
Традиционные подходы к прогнозированию в умных зданиях часто сталкиваются с проблемой нехватки данных для новых объектов или специфических конфигураций датчиков. TopoBrick решает эту задачу, создавая «структурный скелет» здания на основе графов знаний. Это позволяет модели учитывать физическое расположение сенсоров и их взаимосвязи, обеспечивая высокую точность прогнозов даже в условиях отсутствия исторических данных для конкретной инсталляции.
Метод значительно упрощает внедрение систем предиктивной аналитики в инфраструктуру зданий, так как исключает необходимость длительного сбора данных и дорогостоящего обучения нейросетей под каждый объект. Использование агентного сэмплирования топологических переменных позволяет системе динамически адаптироваться к изменениям в структуре IoT-сети, сохраняя при этом низкие вычислительные затраты.
Ключевые факты
- TopoBrick работает по принципу zero-shot, не требуя обучения на специфических данных конкретного здания.
- Фреймворк использует графы знаний для построения иерархической структуры датчиков и их пространственных связей.
- Система ориентирована на автоматизацию прогнозирования в IoT-инфраструктуре, минимизируя влияние разрозненности временных рядов.
- Метод позволяет учитывать операционный контекст и физическую топологию, что повышает точность предсказаний в сложных инженерных системах.