https://libeldoc.bsuir.by/handle/123456789/66106| Title: | Автоматизированный выбор прогнозной модели для многозонных IoT-систем теплового управления |
| Other Titles: | Automated predictive model selection for multi-zone IoT thermal control systems |
| Authors: | Майлыханова, Б. А. Кашаганова, Г. Б. |
| Keywords: | материалы конференций;IoT-системы;энергоэффективность зданий;многозонные объекты управления;регрессионные модели;Random Forest;XGBoost;выбор гиперпараметров |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Майлыханова, Б. А. Автоматизированный выбор прогнозной модели для многозонных IoT-систем теплового управления = Automated predictive model selection for multi-zone IoT thermal control systems / Б. А. Майлыханова, Г. Б. Кашаганова // Компьютерное проектирование в электронике = Electronic Design Automation : сборник научных трудов Международной научно-практической конференции, Минск, 23 октября 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. Р. Стемпицкий [и др.]. – Минск, 2026. – С. 269–272. |
| Abstract: | Предложена процедура автоматизированного выбора модели краткосрочного прогнозирования температуры для децентрализованного управления многозонным зданием. Процедура совместно учитывает MAE, RMSE и R², нормированные внутри каждой комбинации режима HVAC, зоны и горизонта. Проверка выполнена по 96 результатам для четырёх зон, двух режимов и горизонтов 15, 30 и 60 мин. Random Forest обеспечил минимальный MAE в 14 из 24 задач и минимальный интегральный критерий в 13 задачах; XGBoost выбран в 9 задачах. Полученные правила позволяют автоматически назначать модель локальному контроллеру с учётом режима и горизонта. |
| Alternative abstract: | An automated procedure is proposed for selecting a short-term temperature prediction model for decentralized control of a multi-zone building. MAE, RMSE, and R² are normalized within each HVAC mode, zone, and horizon combination and combined into an integral score. The procedure was evaluated using 96 results for four zones, cooling and heating modes, and 15-, 30-, and 60-min horizons. Random Forest achieved the lowest MAE in 14 of 24 tasks and the lowest integral score in 13 tasks; XGBoost was selected in 9 tasks. The resulting rules support mode- and horizon-aware model assignment to local controllers. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/66106 |
| Appears in Collections: | Компьютерное проектирование в электронике (2026) |
| File | Description | Size | Format | |
|---|---|---|---|---|
| Majlyhanova_Avtomatizirovannyj.pdf | 277.75 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.