A Gap in Time: The Challenge of Processing Heterogeneous IoT Point Data in Buildings

越来越需要可持续能源解决方案，因此将数字化建筑物与电网集成，利用物联网技术优化建筑性能和能源效率。然而，将物联网点数据纳入深度学习框架进行能源管理，面临着复杂的挑战，主要是由于固有的数据异构性。本文全面分析了现实世界建筑物物联网数据流中的多方面异质性。我们仔细剖析了跨多个维度的异质性，包括本体论、病因学、时间不规则性、空间多样性以及它们对物联网点数据分布的综合影响。此外，我们进行了使用最先进的预测模型的实验，以评估它们对深度学习模型在预测任务中性能的影响。通过在这些维度上绘制多样性，我们阐明了挑战，并为未来研究开辟了道路，将这种异质性作为资源而不是障碍。这种探索为提高深度学习算法的预测能力和促进智能能源高效建筑的发展奠定了基础。

本论文主要解决的问题是如何在智能建筑中利用物联网技术来优化建筑性能和能源效率，以及如何将物联网数据整合到深度学习框架中进行能源管理。同时，论文也试图解决数据异质性对于深度学习模型预测能力的影响问题。这是一个新问题，因为随着智能建筑技术的发展，如何更好地利用物联网数据来提高建筑性能和能源效率已经成为了一个热门话题。

本论文的关键思路是对物联网数据流的异质性进行全面分析，并提出了一种新的深度学习模型来处理这种异质性数据。相比于当前领域的研究，该论文的思路在于将数据异质性视为一种资源而非障碍，并提出了一种新的深度学习模型来更好地利用这种资源。

论文通过对物联网数据流的多个维度进行分析，包括本体论、病因学、时间不规则性和空间多样性等，揭示了数据异质性对于深度学习模型预测能力的影响。同时，论文还进行了实验来评估不同的预测模型对于处理异质性数据的效果，并提出了一种新的深度学习模型来更好地利用这种异质性数据。此外，论文还提供了开源数据集和代码，以及一些值得深入研究的方向，如如何进一步提高深度学习模型的预测能力等。

在该领域的相关研究包括：'Smart building energy efficiency optimization using machine learning: A review', 'Deep learning for building energy analysis: A review', 'A survey on data-driven approaches for energy management in smart buildings'等。