事例 04 · Research · KCL MSc

マルチモーダル住宅エネルギー予測

建物の省エネ性能は、三か所に同時に書かれている。数値、記述、そして立地。問いは、それをどう一緒に読むか。

役割: 研究・実装・執筆
所属: キングス・カレッジ・ロンドン（MSc）
技術: PyTorch・BERT・scikit-learn・Streamlit

各住宅の説明文から単語の約 30% を無作為に削ると、三つの方式とも R²（モデルが説明できるばらつきの割合）は 0.72⁠〜⁠0.73 から 0.41⁠〜⁠0.47 に下がり、表形式の特徴や位置情報へのノイズではほとんど変わらない。早期・ゲート・後期の三つの融合方式の、八つの入力摂動における R²。研究結果から描き直したもの。一回の学習（seed 42）の結果で、複数回の平均ではない。

01問い

EPC の評価には、表形式の建物特徴と、文章による記述と、位置情報が同時に含まれる。多くのモデルは最初のものだけを使い、残りを捨てる。ここでは三つを統合する三通りの方法を比較し、SAP スコアと EI スコアを予測する。

02難しかったところ

興味深い失敗はアーキテクチャではなく、データ分割にあった。EPC のデータでは、同じ物件が再評価されるため住所が重複する。ランダムに分割すると同じ建物が学習から評価へ漏れ、どのモデルも実力以上に良く見えてしまう。物件単位でグループ化し直すと結果が変わり、図もすべて描き直すことになった。

03モデルの外側

隣には家庭のエネルギーシミュレータを置いた。改修シナリオを一つの物件で実際に走らせられるようにし、抽象的な議論で終わらせないため。

3: つのモダリティ：表・テキスト・空間
3: 通りの統合方式を比較
2: つの予測対象：SAP と EI