竇強博士在大會上展示了博銳尚格算法團隊基于自研HGTFT架構的建筑運行模擬生成器（BOSG），該技術在快速數字化建模的基礎上，大幅度擴展了模型訓練所需要的樣本數量，加速了建筑行業從“真數字化”到“真大模型AI應用”的全面打通，

　　能源管理、故障診斷、風險預測等核心應用場景，已在近百棟公共建筑上得到應用，標志著智能建筑管理新時代的來臨！

　　在建筑運行領域，時間序列預測有著廣泛的應用。傳統方法常依賴于針對不同場景訓練單獨的機器學習模型，這些數據驅動的方式往往受限于數據可用性，尤其在不同項目間無法共享數據。此外，常規機器學習模型對物理機理和常識的理解不足。因此，我們需要一種更通用的方法，不僅能認知物理機制，還能夠實現實際項目的“零啟動”，即無需大量初始數據便能提供合理預測。這個方法需充分整合各種數據來源，包括時間序列、靜態信息和圖數據，以彌補單一數據類型的不足。

　　BOSG（Building Operation Simulation Generator）是針對建筑運行領域的大模型，與LLM（Large Language Model）在邏輯結構上有相似之處。BOSG從Prompt、Token、Embedding、Inference到Output都可一一對應。BOSG的Prompt不僅包含具體預測問題，還將一個項目的物理世界作為上下文。Token是最小語義單元，在我們的場景里是對象實例在某個時間切片的狀態。Embedding則為對象實例的編碼向量，融合了圖關系與時序信息。推理(Inference)和輸出(Output)是生成對未來多變量長期預測的過程和結果。

　　BOSG采用的核心算法框架為Heterogeneous Graph Temporal Fusion Transformer (HGTFT)。HGTFT的設計包括三部分：首先是節點編碼，將每個Token轉化為固定維度的編碼向量，類似于語言模型中的最小語義單元編碼。其次是圖關系編碼，將對象間的拓撲關系聚合到每個實例的編碼中。最后是時間編碼，通過多層Transformer網絡捕捉時間序列中的依賴關系，并將其聚合到對象的表示中。整體算法框架使模型在應對建筑復雜動態場景時，能夠有效結合時序與結構信息。

　　為了充分發揮這種復雜模型的性能，我們設計了一系列自監督和監督學習任務。每項任務都配備了專門的損失函數和微調策略。編碼器部分先在大型數據集上進行預訓練，而HGTFT的核心參數在隨后的任務中保持固定，僅對特定任務的網絡部分進行微調。該架構支持在實際項目中實現“zero-shot”預測，即無需大量訓練便能給出合理結果，并且可以通過少量樣本的微調進一步提升精度。這一流程確保模型不僅具備高預測能力，還能快速適應不同業務需求。

　　我們通過與其他算法進行橫向比較，驗證了BOSG模型在預測準確性上的顯著提升。此外，還采用了一系列合理性評價標準，評估模型對物理機理和常識的理解程度。這些評估過程確保模型不僅在數據維度上表現優異，還能反映建筑系統的運行邏輯。結果表明，BOSG能夠有效應對建筑領域的復雜場景，實現高效、可靠的預測與分析。

　　BOSG大模型能夠推動建筑運行相關業務的重新設計與實施，為現有業務的能力和發展路徑帶來跨越式提升。具體應用場景包括：運行控制策略推送、運行后評估分析、故障診斷與風險評估、數據質量檢查與補全、數字化交付信息缺失填補、能耗總支路間的關系預測等。基于BOSG的能力，各類業務不僅可以提高現有流程的效率，還為未來建筑管理和運行提供更智能的解決方案。

　　九游官方入口

　　BOSG的誕生，將建筑領域的時序預測能力提升到前所未有的高度，帶來更高效、更智能、更綠色的建筑管理解決方案。這不僅是一項技術革新，更是一次產業變革！建筑領域真正邁入大模型時代！