（一） 我们要解决的问题是什么？
Expression for Building Time Series Forecasting Problem
在建筑运行领域，时间序列预测有着广泛的应用。传统方法常依赖于针对不同场景训练单独的机器学习模型，这些数据驱动的方式往往受限于数据可用性，尤其在不同项目间无法共享数据。此外，常规机器学习模型对物理机理和常识的理解不足。因此，我们需要一种更通用的方法，不仅能认知物理机制，还能够实现实际项目的“零启动” ，即无需大量初始数据便能提供合理预测 。这个方法需充分整合各种数据来源，包括时间序列、静态信息和图数据，以弥补单一数据类型的不足。
（二）BOSG 和 LLM时间是什么区别？
Building Operation Simulation Generator
BOSG（Building Operation Simulation Generator）是针对建筑运行领域的大模型，与LLM（Large Language Model）在逻辑结构上有相似之处。BOSG从Prompt、Token、Embedding、Inference到Output都可一一对应。BOSG的Prompt不仅包含具体预测问题，还将一个项目的物理世界作为上下文。Token是最小语义单元，在我们的场景里是对象实例在某个时间切片的状态。Embedding则为对象实例的编码向量，融合了图关系与时序信息。推理(Inference)和输出(Output)是生成对未来多变量长期预测的过程和结果。
（三）我们的大模型算法框架是什么？
Heterogeneous Graph Temporal Fusion Transformer
BOSG采用的核心算法框架为Heterogeneous Graph Temporal Fusion Transformer (HGTFT)。HGTFT的设计包括三部分：首先是节点编码，将每个Token转化为固定维度的编码向量，类似于语言模型中的最小语义单元编码。其次是图关系编码，将对象间的拓扑关系聚合到每个实例的编码中。最后是时间编码，通过多层Transformer网络捕捉时间序列中的依赖关系，并将其聚合到对象的表示中。整体算法框架使模型在应对建筑复杂动态场景时，能够有效结合时序与结构信息。
（四）这么复杂的模型该如何训练和应用？ Model Training Procedure
为了充分发挥这种复杂模型的性能，我们设计了一系列自监督和监督学习任务 。每项任务都配备了专门的损失函数和微调策略。编码器部分先在大型数据集上进行预训练，而HGTFT的核心参数在随后的任务中保持固定，仅对特定任务的网络部分进行微调。该架构支持在实际项目中实现“zero-shot”预测，即无需大量训练便能给出合理结果，并且可以通过少量样本的微调进一步提升精度。这一流程确保模型不仅具备高预测能力，还能快速适应不同业务需求 。
（五）如何验证大模型的表现？ Results
我们通过与其他算法进行横向比较，验证了BOSG模型在预测准确性上的显著提升。此外，还采用了一系列合理性评价标准，评估模型对物理机理和常识的理解程度。这些评估过程确保模型不仅在数据维度上表现优异，还能反映建筑系统的运行逻辑。结果表明，BOSG能够有效应对建筑领域的复杂场景，实现高效、可靠的预测与分析 。
（六）什么业务会用到BOSG？
Building Operation Optimization Based on BOSG
BOSG大模型能够推动建筑运行相关业务的重新设计与实施，为现有业务的能力和发展路径带来跨越式提升。具体应用场景包括：运行控制策略推送、运行后评估分析、故障诊断与风险评估、数据质量检查与补全、数字化交付信息缺失填补、能耗总支路间的关系预测等。基于BOSG的能力，各类业务不仅可以提高现有流程的效率，还为未来建筑管理和运行提供更智能的解决方案。
BOSG的诞生，将建筑领域的时序预测能力提升到前所未有的高度，带来更高效、更智能、更绿色的建筑管理解决方案。这不仅是一项技术革新，更是一次产业变革！建筑领域真正迈入大模型时代！
团队其他核心成员：
孙一凫，沈启，李昕，赵元凯，龚启鹏，邱英秋
