研究の概要

ビルの暖冷房制御を最適化するためのデータ駆動型熱力学モデル（建物の温度がどのように変化するかを予測するモデル）は、省エネ・快適性向上・デマンドレスポンス参加の基盤技術です。しかし精度の高い建物熱モデルを構築するには、対象建物での数か月〜数年の測定データが必要であり、これが大規模展開の障壁になっていました。

転移学習（TL）は既存建物のデータで事前学習したモデルを新しい建物に適用することでデータ収集期間を短縮する手法ですが、「どの建物（ソース）からの知識を使うべきか」「複数のソース建物を組み合わせるとどれだけ効果があるか」は明らかでありませんでした。また近年登場した時系列基盤モデル（TSFM）との性能比較も行われていませんでした。

本研究（Thermal-GEMs）は、4種類の最先端マルチソースTLアーキテクチャと時系列基盤モデルを、合成データ・実建物データの両方で系統的に評価しました。重要な発見は「マルチソースTLの有効性には閾値が存在する」という点です：16〜32棟・1年以上のデータで事前学習した場合にTSFMを安定して上回りますが、それ以下のデータ規模では効果が限定的になります。この閾値の特定により、実務担当者がモデル戦略を選択するための具体的な基準が得られました。

主な発見・成果

  • マルチソースTLが単一ソースTLと比べて予測誤差を最大63%削減
  • 16〜32棟・1年分のデータで事前学習することがTSFM超過の実用的閾値
  • 実建物データでの性能がシミュレーション（合成データ）と一致し、現実妥当性を確認
  • データ規模が閾値を下回る場合はTSFM（事前学習不要）の方が実用的
  • 複数建物データの統合による転移学習が「スケール展開のボトルネック（個別建物データ収集）」を解消する可能性を示唆

実務への応用

複数拠点（オフィス・工場・物流センター等）を持つ企業のBEMS（建物エネルギー管理システム）高度化計画に直接的な示唆を提供します。

最も重要な実務的知見は「16棟以上の建物データが蓄積されれば、マルチソース転移学習を活用して新建物への展開コスト（初期データ収集期間・調整コスト）を大幅に削減できる」という点です。全国に数十〜数百の拠点を持つ大企業では、一部の主要拠点でデータを蓄積して汎用モデルを構築し、残りの拠点に転移学習で展開するという戦略が合理的になります。

BEMSベンダー・ビルオートメーション会社にとっても、自社が管理する複数建物のデータを組み合わせた汎用熱モデルを構築し、新規顧客へのサービス導入時間を短縮するビジネスモデルが成立します。省エネBEMSの「横展開コスト」が転移学習で削減できれば、GX目標達成に向けたビル省エネ投資のROIが改善し、普及加速が期待できます。