TopoBrick은 건물 지식 그래프(Brick Schema)에서 에이전틱 토폴로지 샘플러를 활용해 대상 센서에 특화된 외생 변수(exogenous variable)를 선택하는 학습 불필요(training-free) 제로샷 건물 IoT 예측 프레임워크로, 3개의 실제 건물 실험에서 제로샷 파운데이션 모델 기반 베이스라인을 능가하고 건물별 완전 학습 모델과도 경쟁력 있는 성능을 달성했다.
전이학습(TL)은 건물 열 동역학 모델링 분야에서 새롭게 부상하는 영역이다. 이 방법은 소스 건물의 지식을 활용하여 대상 건물의 데이터 기반 모델에 필요한 데이터를 줄인다. 이에 따라 고급 제어 및 고장 탐지·진단(fault detection & diagnosis)에 활용할 수 있는 데이터 효율적 모델을 만들 수 있다. TL 접근법의 주요 한계는 서로 다른 소스에 걸쳐 성능이 일관되지 않다는 점이다. 대상에 대한 정확한 소스 건물 선택이 중요하지만, 이는 여전히 해결하기 어려운 과제로 남아 있다. 우리는 중앙 유럽의 단독주택을 위한 일반 전이학습 모델 GenTL을 제안한다. GenTL은 다양한 대상 건물에 효율적으로 미세조정할 수 있다. 이 모델은 450개 서로 다른 건물의 데이터로 Long Short-Term Memory(LSTM) 네트워크에 사전학습되었다. 이 일반 전이학습 모델은 미세조정을 위한 범용 소스 역할을 함으로써 소스 건물 선택의 필요성을 없앤다. 기존의 단일 소스-단일 대상 TL과의 비교 분석은 일반 사전학습 접근법의 효과와 신뢰성을 보여준다. 미세조정을 위해 144개 대상 건물에서 GenTL을 테스트한 결과, 단일 소스 모델 미세조정과 비교하여 평균 예측 오차(RMSE)가 42.1% 감소한 것으로 나타났다.