About spatial interpolation using mixture distributions for predicting Energy Performance Certificate
Abstract
Planning the energy transition requires decision makers to have an in-depth knowledge about a given territory. To achieve this, data is collected from multiple sources, at multiple scales, with constraints such as privacy policies. Resulting data informs about given areas of space without a specific point location. Such is the case of Energy Performance Certificate (EPC). EPC databases are released under specific constraints: anonymization, geo-localization with postal address, missing details. This paper shows that learning the observed EPCs to predict missing ones can also be seen as a spatial interpolation problem. It presents a way to treat EPC as a geo-localized information and predict its value at building level. Kriging methodology is applied to random fields observed at random locations to find a Best Linear Unbiased Predictor (BLUP). This new model is referred to as Mixture Kriging. While the usual Gaussian setting is lost, we show that conditional mean, variance and covariance can be derived. This new model gives interesting results in EPC prediction at building level which is a prerequisite for decision maker to target renovation efforts. The specific case of a city in France is taken as an example. The presented model includes Mixture co-Kriging so that covariates can be used to improve the result. It is also suggested that Mixture Kriging can be usefully implemented to control uncertainty propagation. We present potential applications on simulated data.
Pour planifier la transition énergétique, les décideurs ont besoin d’une connaissance approfondie de leur territoire. Pour cela, des données sont collectées de sources multiples, à plusieurs échelles, avec des contraintes comme les politiques de confidentialité. De telles données fournissent des informations sur des zones spatiales mais sans localisation spécifique. C’est le cas du Diagnostic de Performance Energétique (DPE). Les bases de données des DPE réalisés sont publiées sous des contraintes spécifiques : anonymisation, géolocalisation avec adresse postale, détails manquants. Ce document montre que l’apprentissage des DPE observés pour prédire les DPE manquants peut être considéré comme un problème d’interpolation spatiale. Il présente une manière de traiter le DPE en tant qu’information géolocalisée et de prédire sa valeur au niveau du bâtiment. La méthodologie du krigeage est appliquée à des champs aléatoires observés à des emplacements aléatoires pour trouver le meilleur prédicteur linéaire non biaisé (BLUP). Ce nouveau modèle est appelé krigeage de mixtures. Bien que le cadre gaussien habituel soit perdu, nous montrons que la moyenne conditionnelle, la variance et la covariance peuvent être calculées. Ce nouveau modèle donne des résultats intéressants dans la prédiction du DPE au niveau du bâtiment, ce qui est une condition préalable pour que les décideurs ciblent les efforts de rénovation. Le cas spécifique d’une ville française est pris comme exemple. Le modèle présenté inclut également le co-krigeage de mixtures de sorte que les covariables puissent être utilisées pour améliorer le résultat. Il est également suggéré que le krigeage de mixtures puisse être utilement mis en oeuvre pour contrôler la propagation de l’incertitude. Nous présentons des applications en ce sens sur des données simulées.
Origin | Files produced by the author(s) |
---|