智能建筑解决方案可以帮助节省大量的运营和维护费用，并保持较高的舒适度。示例之一是在预设时间达到目标温度。关于arXiv.org的最新论文提出了如何确定最佳的开启散热器时间的方法，例如，当有人要求建筑物管理系统在回家之前对房间进行加热时。
智能建筑系统连接到照明，占用，温度，空气质量和其他传感器。收集的数据以两阶段算法进行分析。第一部分使用时间序列预测环境条件。第二种使用机器学习来预测未来的室内温度。与传统的基于规则的控制系统相比，混合时空方法更加灵活，并且可以实时控制温度。它有助于提高智能建筑的能源利用率和可持续性。
大量数据的可用性不断提高，使得统计机器学习(ML)算法在网络物理系统(CPS)，物联网(IoT)和智能建筑网络(SBN)领域得到了广泛的应用。本文提出了一个基于学习的框架，用于顺序应用数据驱动的统计方法来预测室内温度，并得出相应的控制建筑采暖系统的算法。该框架包括两个阶段的建模工作：在第一阶段，使用单变量时间序列模型(AR)来预测环境条件;它们与其他控制变量一起用作第二阶段建模的输入功能，其中已部署了多变量ML模型(XGBoost)。使用来自建筑物传感器网络测量的真实世界数据对模型进行了训练，并用来预测未来的温度轨迹。实验结果证明了建模方法和控制算法的有效性，并揭示了数据驱动方法在智能建筑应用中比基于动态建模方法的潜力。通过合理利用物联网传感数据和ML算法，这项工作有助于智能建筑中的高效能源管理和可持续性。