提出一种选择-共享-私有机制的多任务学习模型，能够选择性利用相关任务的信息以提高多个建筑联合负荷预测的准确性。
肖江文 · Minghui, Cao · Fang, Hongliang · Wang, Jinsong · Wang Y.-W.
Energy and Buildings 2023
与支持向量机相比，联合预测精度提升超过35%，显著改善了多个建筑的负荷预测效果。
通过互相关分析提取建筑间空间特征，并将其纳入预测模型的输入中，弥补了传统方法忽略空间相关性的不足。
设计的选择-共享-私有机制能够从相关任务中有选择地利用信息，同时保留各任务的私有特征，避免负迁移，提高每个建筑的预测精度。