Building TimeSeries (BTS)

该数据集覆盖了三座建筑在三年期间的数据，包含超过一万次的时序数据点和数百种独特的本体。元数据使用Brick schema标准化。

This dataset encompasses data from three buildings over a three-year period, containing over ten thousand time-series data points and hundreds of unique ontologies. The metadata is standardized using the Brick schema.

原始信息汇总

数据集概述

数据集名称

BTS: Building Timeseries Dataset

数据集描述

• 覆盖范围：该数据集涵盖了三个建筑物在三年期间的数据。
• 数据点数量：包含超过十万个时间序列数据点。
• 独特分类数量：拥有数百种独特的分类。
• 元数据标准：元数据采用Brick schema进行标准化。

数据集用途

• 研究目的：用于大规模建筑分析，支持时间序列分类和零次预测等任务。
• 数据集示例：提供了一个小型数据片段DIEF_B_Snippet50_3weeks.pkl.zip，包含50个时间序列数据，以及相应的提取和可视化代码。

数据集访问

• 当前可用数据：仅提供训练数据集，可通过FigShare访问。
• DOI：10.6084/m9.figshare.25912180

文件描述

• 现有文件：
  • train.zip：包含原始时间序列数据的压缩文件。
  • Site_B.ttl：使用Brick schema的Site B元数据文件。
  • mapper_TrainOnly.csv：映射时间序列文件名到Site_B.ttl中StreamID的文件。
  • train_X.zip 和 train_Y.csv：由train.zip生成的文件，用于分类任务。
• 未来将提供的文件：
  • test.zip
  • Site_A.ttl
  • Site_C.ttl
  • mapper.csv

代码和工具

• 分类任务代码：包含在20240530_class_code文件夹中，用于重现分类结果。
• 零次预测任务代码：包含在20240612_zeroshot_code文件夹中，用于处理零次预测数据。

引用信息

• 论文引用：

  Arian Prabowo, Xiachong Lin, Imran Razzak, Hao Xue, Emily W. Yap, Matthew Amos, Flora D. Salim. BTS: Building Timeseries Dataset: Empowering Large-Scale Building Analytics, 2024. arXiv:2406.08990. https://doi.org/10.48550/arXiv.2406.08990.

• 训练数据集引用：

  @article{prabowo2024btsTrain, author = "Arian Prabowo and Xiachong Lin and Imran Razzak and Hao Xue and Emily Yap and Matthew Amos and Flora Salim", title = "{BTS: Building Timeseries Dataset: Empowering Large-Scale Building Analytics (TRAIN ONLY)}", year = "2024", month = "6", url = "https://figshare.com/articles/dataset/BTS_Building_Timeseries_Dataset_Empowering_Large-Scale_Building_Analytics_TRAIN_ONLY_/25912180", doi = "10.6084/m9.figshare.25912180.v1" }

搜集汇总

数据集介绍

构建方式

在建筑能效分析领域，Building TimeSeries (BTS) 数据集的构建涵盖了三座建筑在三年期间的数据，共计超过一万条时间序列数据点，并包含数百种独特的本体论。该数据集的元数据采用了Brick模式进行标准化，确保了数据的一致性和互操作性。通过这种方式，BTS数据集不仅提供了丰富的建筑运营数据，还为大规模建筑分析提供了坚实的基础。

使用方法

使用BTS数据集时，用户可以通过提供的代码示例和数据片段快速上手。数据集的访问可通过FigShare平台获取训练数据，并计划在未来提供测试数据以支持竞赛。数据文件包括时间序列数据的pickle文件、元数据的turtle文件以及映射文件，用户需使用rdflib等工具进行数据解析和处理。此外，数据集还提供了预处理和模型训练的代码，方便用户进行深入分析和模型开发。

背景与挑战

背景概述

建筑在人类福祉中扮演着至关重要的角色，影响着居住者的舒适度、健康和安全。此外，建筑在全球能源消耗和碳排放中占据了显著份额，约占总能耗的三分之一。因此，优化建筑性能成为应对气候变化和促进人类繁荣的关键机会。然而，建筑分析领域的研究一直受限于缺乏可访问、可用且全面的实际建筑运营数据集。为此，Arian Prabowo及其团队于2024年推出了Building TimeSeries (BTS)数据集，该数据集涵盖了三座建筑在三年期间的数据，包含超过一万条时间序列数据点和数百种独特的本体。此外，该数据集的元数据采用了Brick模式进行标准化，旨在为大规模建筑分析提供支持。

当前挑战

BTS数据集在构建过程中面临了多重挑战。首先，收集和整合来自多个建筑的长时间序列数据是一项复杂且耗时的任务。其次，确保数据的准确性和一致性，特别是在不同建筑之间，需要严格的校验和标准化流程。此外，数据集的开放性和可访问性也是一个挑战，当前仅提供了训练数据，测试数据和完整数据集将在未来竞赛中逐步开放。最后，数据集的应用领域，如时间序列本体分类和零样本预测，也面临着模型训练和验证的挑战，特别是在处理大规模和多样化的建筑数据时。

常用场景

经典使用场景

在建筑能源管理领域，Building TimeSeries (BTS) 数据集的经典使用场景主要集中在时间序列数据的分类和零样本预测任务上。通过分析建筑物的能源消耗、环境控制和设备运行状态等时间序列数据，研究人员可以实现对建筑性能的优化和能源效率的提升。这些任务不仅有助于理解建筑系统的复杂性，还能为智能建筑管理提供关键的决策支持。

解决学术问题

BTS 数据集解决了建筑分析领域中长期存在的数据稀缺和标准化不足的问题。通过提供覆盖三年时间的三座建筑的详细时间序列数据，该数据集为研究人员提供了丰富的实证材料，推动了对建筑能源消耗和环境控制系统的深入研究。这不仅有助于提高建筑的能源效率，还为应对全球气候变化提供了重要的数据支持。

实际应用

在实际应用中，BTS 数据集被广泛用于智能建筑管理系统的设计和优化。通过分析和预测建筑的能源消耗模式，系统可以自动调整供暖、通风和空调系统，以实现能源的节约和环境的舒适。此外，该数据集还支持建筑维护和故障预测，通过提前识别潜在问题，减少维修成本和停机时间，从而提高建筑的整体运营效率。

数据集最近研究

最新研究方向

在建筑能效与智能建筑领域，Building TimeSeries (BTS) 数据集的最新研究方向主要集中在时间序列数据的标准化与互操作性上。该数据集通过采用Brick模式对建筑元数据进行标准化，为大规模建筑分析提供了坚实的基础。前沿研究包括时间序列本体分类和零样本预测，这些任务不仅提升了建筑数据的可操作性，还为智能建筑系统的优化提供了新的视角。此外，BTS数据集的发布也促进了相关领域的竞赛和合作，进一步推动了建筑能效分析技术的发展。