TopoBrick零样本预测建筑物联网，外生变量智能拓扑采样
速览
TopoBrick是一种无需训练的零样本建筑物联网预测框架，通过构建建筑知识图的结构骨架，并采用智能拓扑采样器选择目标特定的外生变量。这些变量按部署时间可用性组织，区分过去已知的传感器状态与未来已知的日历、调度和气象外生变量。在三个真实建筑中，TopoBrick显著优于强零样本基础模型基线，并与完全训练的定制模型竞争力相当。消融实验表明，拓扑感知采样比随机、仅本体或固定跳数选择更可靠，尤其对物理耦合的HVAC和天气驱动传感变量。
AI 深度解读
背景
建筑内的传感器网络高度依赖物理拓扑（例如楼层、房间、管道走向）、空间层级（如区域、系统）以及运行上下文（如楼宇自动化策略）。然而，现有的楼宇IoT预测方法通常将每个传感器视为独立的时间序列，或者依赖于一组固定的协变量（如所有可用的外部变量），忽略了传感器之间的结构关联。这导致预测模型在面对新建筑或新场景时泛化能力弱，且需要针对每栋建筑进行大量标注和训练。
零样本预测（Zero-Shot Forecasting）旨在让模型在不经过目标建筑专门训练的情况下直接进行预测，但现有基础模型（如基于Transformer的时间序列模型）往往将外部变量（如天气、日历、其他传感器）不加区分地纳入，缺乏对物理耦合关系的感知。因此，如何自动选择与目标变量最相关的外生变量，并利用建筑的结构信息实现高效零样本预测，是一个亟待解决的问题。
核心内容
TopoBrick 是一个无需训练（training-free）的零样本建筑IoT预测框架。其核心思路是利用建筑知识图谱（Building Knowledge Graph）构建一个紧凑的结构骨架，并通过智能拓扑采样器（Agentic Topology Sampler） 为每个目标传感器自动选择最相关的外生变量，而非依赖固定变量集或随机选择。
具体流程如下：
-
知识图谱构建：将建筑中所有传感器、设备、空间（房间、楼层）、系统（HVAC、照明）及其物理连接关系（如管道、气流、电路）建模为一个有向图。每个节点对应一个实体（传感器或空间），边表示物理拓扑（如“位于”、“连接”、“供应”）。
-
结构骨架提取：从完整知识图谱中抽取出一个紧凑的“骨架”，仅保留对预测任务最关键的结构路径（例如从空调机组到各房间的送风关系）。这避免了全图搜索带来的计算开销，同时保留了物理耦合信息。
-
智能拓扑采样：对于给定的预测目标传感器（例如某个房间的温度传感器），采样器基于骨架执行一系列动作（agentic actions），如“向上一跳探索父节点”、“向下一跳探索子节点”、“走固定跳数”，动态决定哪些相邻或结构相关的传感器和外生变量应该被纳入输入。采样策略是目标特定的，且不依赖训练过程。
-
变量组织：选中的外生变量按照部署时可用性（deployment-time availability） 分为两类：
- 过去已知的传感器状态：来自其他传感器的历史观测值（如当前其他房间温度、压差等），在预测时刻已经存在。
- 未来已知的外部变量：包括日历（时间、星期、节假日）、楼宇调度（如房间使用计划）以及气象预报（温度、湿度、太阳辐射等），这些变量在未来时刻也是已知的。
TopoBrick 将这些变量统一组织成一个结构化的输入，喂给一个预训练的零样本基础模型（如TimesFM或PatchTST）进行预测，而无需微调。
-
实验验证：在三个真实办公楼（包含数千个传感器，涵盖HVAC、照明、用电等）上进行评估：
- 与多个强零样本基础模型基线（如直接使用所有可用变量、随机选择变量）比较，TopoBrick 在所有指标上显著领先。
- 与经过完全训练的楼宇专用模型（每栋建筑单独训练）相比，TopoBrick 的性能接近甚至超越它们，且无需任何训练成本。
- 消融实验表明：拓扑感知的采样（即利用知识图谱结构）比随机采样、仅利用本体类别（ontology-only）或固定跳数采样更加可靠，尤其对于物理耦合性强的HVAC系统和天气驱动的传感器变量。
关键要点
- 零样本预测框架：TopoBrick 无需对目标建筑进行任何训练，直接利用预训练基础模型，降低了部署成本。
- 建筑知识图谱：首次将建筑物理拓扑和空间层级编码为结构化知识，作为变量选择的依据。
- 智能拓扑采样：通过 agentic 动作动态选择目标相关的外生变量，避免了固定变量集或穷举采样的低效。
- 变量按可用性分离：区分“过去已知传感器状态”和“未来已知外部变量”，更符合实际部署中不同来源的预测输入需求。
- 实验优势显著：在多个真实建筑中超越强零样本基线，并与全训练模型持平均，且拓扑感知采样比无结构方法稳定。
- 消融结论：物理耦合（如HVAC管道连接）和天气驱动变量的预测中，拓扑信息提供关键增益；随机或仅基于本体的采样会丢失重要关联。
意义与影响
TopoBrick 提供了一种新的范式：将领域结构知识（建筑拓扑）以可操作的形式注入到零样本预测中，而无需费力的特征工程或模型定制。其意义体现在：
- 降低数据壁垒：对于新楼宇或传感器部署不完整的场景，无需收集历史数据训练专用模型，即可快速获得合理的预测。
- 提高泛化性：拓扑采样使得模型能自动适应不同建筑的物理布局，而非依赖规则化预设。
- 推动基础模型落地：预训练时间序列模型（如TimesFM）在通用场景表现良好，但缺乏领域适应能力。TopoBrick 提供了一种轻量级、可解释的接口，让基础模型能更好地处理结构化IoT数据。
- 启发其他领域：类似的物理拓扑/知识图谱驱动的外生变量采样策略，可迁移至工业物联网、智能电网、自动驾驶等具有明确结构关系的预测任务。
该工作也提示：未来将领域知识（如物理方程、因果图）作为 agentic 工具与基础模型结合，可能是实现真正通用预测器的重要方向。