企业官网建设流程全解析

文章主要内容和创新点

主要内容

本文提出了InsightBuild，这是一个基于大语言模型（LLM）的两阶段框架，旨在为智能建筑系统中的能源消耗异常提供可理解的因果解释。该框架结合因果推理与微调的LLM，具体流程如下：

1. 因果推理模块：对建筑遥测数据（如温度、HVAC设置、 occupancy等）应用格兰杰因果检验（Granger causality tests）和结构因果发现，识别能源异常的潜在因果驱动因素；
2. LLM解释模块：使用基于（因果关系-文本解释）对齐数据微调的LLM，将检测到的因果关系转化为简洁、可操作的自然语言解释。

研究在两个真实世界数据集（Google智能建筑数据集，2017-2022；伯克利办公楼数据集，2018-2020）上验证了InsightBuild的有效性，通过专家标注的异常原因作为基准，结果表明该框架在解释准确性和专家满意度上显著优于传统方法（如基于规则的引擎、纯LLM、因果Transformer等）。

创新点

1. 因果推理管道设计：针对建筑遥测数据，提出了结合格兰杰因果检验（时间序列特征）和结构修剪（去除虚假关联）的因果发现流程；
2. 专业微调语料库构建：基于专家标注构建了（因果图-文本解释）对的微调语料库，使LLM能够学习从因果关系到可操作解释的映射；
3. 因果推理与LL