建筑的使用在全球能源消耗中占据了很大一部分，因此欧盟呼吁大型欧洲房地产持有者对其物业进行传感器安装或升级，以便能够测量消耗并优化建筑。通过对这些新的数据流进行实时分析并检查异常行为，可以及早识别与能源和维护相关的缺陷并采取措施。本研究通过应用机器学习模型检验这一构想的可行性，以及哪些模型最适合用于异常检测和异常分类。基础研究方法包括专家访谈、全面的文献研究，以及对最有前景的算法进行测试和比较。此外，本研究还开发了一个整体系统架构，将各个模型整合到一个软件原型中。结果显示，XGBoost算法在消费数据预测和异常分类方面都表现出最高的准确性，应用非常稳健，并且对计算能力的需求较低。尽管如此，测试的LSTM、GRU、TCN、自动编码器和Transformer模型在特定领域也显示出良好的预测准确性。由于消费数据的采集才刚刚开始，且过去的异常未被分类，因此研究受到小数据集的限制。尽管如此，本研究对建筑管理领域的常用机器学习算法提供了有价值的比较，并为智能和整体的消费数据监测程序奠定了可能的基础。关键词：人工智能、建筑、消费数据、异常检测
David Osl（Sun，）研究了这个问题。