[控场AI]
模型DySENSE 框架

DySENSE

一种基于多模态生成式AI的城市能耗数据生成框架,通过解耦城市静态形态与动态月度能耗,联合生成空间对齐的卫星影像与能耗图,用于能效城市规划与建筑性能模拟等下游任务

时间轴 (近 90 天)

11月16日

DySENSE 框架将城市问题解耦为长期稳定的城市形态(静态层)和随季节气候波动的月度能耗(动态层)。

待验证50%
11月16日

DySENSE 支持两种条件生成:以静态土地利用为条件生成逼真且空间对齐的卫星影像与能耗图;以月度与气候提示为条件保持城市形态不变,只联合生成动态月度能耗图。

待验证50%
11月16日

DySENSE 采用多模态联合生成,在一次前向过程中输出空间对齐的多幅结果(卫星影像与能耗图),而非分阶段串行生成。

待验证50%
11月16日

DySENSE 的主要技术难点是模态间对齐约束:卫星影像中的建筑轮廓必须与能耗图中高值区域在像素级一致。

待验证50%
11月16日

DySENSE 在纽约、华盛顿、诺福克、釜山四座城市上进行了验证。

待验证50%
11月16日

仅使用不到25%的标注数据,DySENSE 就能生成带标注的高保真合成能耗数据,并将下游预测性能提升8% mIoU。

待验证50%
11月16日

与现有方法相比,DySENSE 的预测性能提升8.7%(准确率),预测误差降低9%–18%(CVRMSE,ASHRAE 标准)。

待验证50%
11月16日

DySENSE 的应用方向包括能效城市规划、峰值负荷分析、建筑性能模拟和城市尺度动态需求响应。

待验证50%
11月16日

合成数据的价值最终取决于其与真实世界的偏差是否可控,跨城市泛化与极端气候场景下的表现仍需更多独立验证。

待验证50%

全部知识事实 (9)

来源文章