Цифровой двойник HVAC-систем

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