TopoBrick: Agentic Topology Sampling of Exogenous Variables for Zero-Shot Building IoT Forecasting

📄 arXiv: 2607.06349v1 📥 PDF

作者: Xiachong Lin, Du Yin, Arian Prabowo, Hao Xue, Wen Hu, Imran Razzak, Matthew Amos, Sam Behrens, Flora D. Salim

分类: cs.AI

发布日期: 2026-07-07

备注: 12 pages, 4 figures, 3 tables

💡 一句话要点

提出TopoBrick框架以解决建筑物IoT预测中的变量选择问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 建筑物IoT 零-shot预测 主动拓扑采样 知识图谱 外生变量选择 HVAC系统 气象驱动

📋 核心要点

  1. 现有的建筑物IoT预测方法常常忽视传感器之间的物理关系，导致预测精度不足。
  2. TopoBrick框架通过构建建筑知识图谱和主动拓扑采样，选择与目标相关的外生变量，提升预测效果。
  3. 在三个真实建筑的实验中，TopoBrick超越了多种基线模型，展现出优越的零-shot预测能力。

📝 摘要（中文）

建筑传感器嵌入在物理拓扑、空间层级和操作上下文中，然而现有的预测方法往往将其视为孤立的时间序列或依赖固定的协变量集。本文提出了TopoBrick，一个无训练的零-shot建筑物IoT预测框架。TopoBrick利用建筑知识图谱构建紧凑的结构骨架，并采用主动拓扑采样器选择特定目标的外生变量。这些变量按部署时可用性组织，区分已知的传感器状态与未来已知的日历、计划和气象外生变量。在三个真实建筑中，TopoBrick的表现超越了强大的零-shot基础模型基线，并与完全训练的建筑特定模型保持竞争力。消融实验表明，基于拓扑的采样比随机、仅基于本体或固定跳数的选择更可靠，尤其是在物理耦合的HVAC和气象驱动的传感变量中。

🔬 方法详解

问题定义：本文旨在解决建筑物IoT预测中外生变量选择的挑战，现有方法往往将传感器视为独立的时间序列，忽视了它们之间的物理耦合关系。

核心思路：TopoBrick框架通过利用建筑知识图谱构建结构骨架，并采用主动拓扑采样器来选择与目标相关的外生变量，从而实现无训练的零-shot预测。

技术框架：TopoBrick的整体架构包括知识图谱构建、主动拓扑采样和变量组织三个主要模块。首先，构建建筑的知识图谱以形成结构骨架；其次，使用主动拓扑采样器选择特定的外生变量；最后，根据变量的可用性进行组织。

关键创新：TopoBrick的核心创新在于其主动拓扑采样机制，能够根据建筑的物理结构和传感器的耦合关系选择外生变量，这与传统的随机或固定选择方法有本质区别。

关键设计：在设计中，TopoBrick采用了动态变量选择策略，确保在不同时间点能够有效利用已知的传感器状态和外生变量，提升了预测的准确性和可靠性。具体的参数设置和损失函数设计在实验中经过了优化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在三个真实建筑的实验中，TopoBrick超越了多个强基线模型，展现出优越的零-shot预测能力。具体而言，其预测性能在多个指标上均有显著提升，尤其是在处理物理耦合的HVAC和气象变量时，表现出更高的可靠性和准确性。

🎯 应用场景

TopoBrick框架在智能建筑管理、能源消耗预测和环境监测等领域具有广泛的应用潜力。通过提高IoT数据的预测准确性，能够帮助建筑管理者优化资源配置，降低能耗，并提升用户舒适度。未来，该方法还可以扩展到其他领域，如城市交通管理和环境监测等。

📄 摘要（原文）

Building sensors are embedded in physical topology, spatial hierarchy, and operational context, yet existing forecasters often treat them as isolated time series or rely on fixed covariate sets. We present TopoBrick, a training-free framework for zero-shot building IoT (Internet-of-Things) forecasting. TopoBrick uses building knowledge graphs to construct a compact structural skeleton and employs an agentic topology sampler to select target-specific exogenous variables. The selected variables are organized by deployment-time availability, separating past-known sensor states from future-known calendar, schedule, and meteorological exogenous variables. Across three real-world buildings, TopoBrick outperforms strong zero-shot foundation-model baselines and remains competitive with fully trained building-specific models. Ablations show that topology-aware sampling is more reliable than random, ontology-only, or fixed-hop selection, especially for physically coupled HVAC and weather-driven sensing variables.