AI Summary & Key Takeaways
AI InsightUnlike earlier single-dataset studies, this work removes optical character recognition (OCR) document ingestion from the scope and instead concentrates on a rigorous, side-by-side comparison of four learning paradigms across independent regional datasets, offering evidence for the predictive ceiling of ensemble learning on tabular energy data and for the conditions under which a smaller, locally collected dataset can achieve results comparable to those from a larger but less homogeneous metropolitan dataset.
📌 3 Key Takeaways
Abstract
This paper presents an extended machine learning framework for predicting building Energy Performance Certificate (EPC) scores and evaluates its consistency across regulatory and geographic contexts. Building on two prior single-context studies, the present work integrates four regression paradigms — SVR, Random Forest, XGBoost, and, AdaBoost — trained on the Seattle Building Energy Benchmarking dataset (34,709 records, 46 parameters) and evaluated against real municipal EPC and building-registry data collected from three Turkish administrative districts: Torbalı, Beşiktaş, and Ümraniye. A structured preprocessing pipeline addressing missing data, outlier treatment, correlation-driven feature reduction, and categorical encoding was applied consistently across all data sources. Among the four models, the tree-based ensembles outperformed both the kernel-based SVR and the boosting-based AdaBoost on both datasets, with XGBoost achieving the strongest fit on the Seattle benchmark (R² = 0.801) and again the strongest fit on the Torbalı municipal sample (R² = 0.824). Exploratory analysis of the Turkish municipal data further identifies insulation status, construction era, and heating-fuel type as the dominant levers for emissions reduction, with uninsulated buildings consuming approximately 71% more site energy than fully insulated stock. Unlike earlier single-dataset studies, this work removes optical character recognition (OCR) document ingestion from the scope and instead concentrates on a rigorous, side-by-side comparison of four learning paradigms across independent regional datasets, offering evidence for the predictive ceiling of ensemble learning on tabular energy data and for the conditions under which a smaller, locally collected dataset can achieve results comparable to those from a larger but less homogeneous metropolitan dataset.
Özet
Bu çalışma, binaların Enerji Performans Sertifikası (EPS) puanlarının tahmini için geliştirilmiş bir makine öğrenmesi çerçevesi sunmakta ve bu çerçevenin farklı coğrafi ve düzenleyici bağlamlardaki tutarlılığını değerlendirmektedir. Önceki iki tek bağlamlı çalışmayı temel alan bu araştırmada, Seattle Bina Enerji Kıyaslama veri kümesi (34.709 kayıt, 46 özellik) üzerinde eğitilen ve Türkiye'deki üç farklı idari ilçeden (Torbalı, Beşiktaş ve Ümraniye) toplanan gerçek belediye EPS ve bina envanteri verileri üzerinde test edilen dört regresyon yaklaşımı (Destek Vektör Regresyonu (SVR), Random Forest, XGBoost ve AdaBoost) karşılaştırılmıştır. Tüm veri kaynaklarına eksik verilerin giderilmesi, aykırı değerlerin işlenmesi, korelasyona dayalı özellik azaltımı ve kategorik değişken kodlamasını içeren yapılandırılmış bir ön işleme süreci tutarlı biçimde uygulanmıştır. Dört model arasında ağaç tabanlı topluluk yöntemleri, hem çekirdek tabanlı SVR'yi hem de artırmalı öğrenme yöntemi olan AdaBoost'u her iki veri kümesinde de geride bırakmıştır. XGBoost modeli, hem Seattle kıyaslama veri kümesinde (R² = 0.801) hem de Torbalı belediye örnekleminde (R² = 0.824) en yüksek tahmin başarısını elde etmiştir. Türk belediye verileri üzerinde gerçekleştirilen keşifsel analizler, yalıtım durumu, bina yapım dönemi ve ısınma yakıt türünün emisyonların azaltılmasında belirleyici faktörler olduğunu göstermiş; yalıtımsız binaların tam yalıtımlı binalara kıyasla yaklaşık %71 daha fazla yerinde enerji tükettiği belirlenmiştir. Önceki tek veri kümesine dayalı çalışmalardan farklı olarak bu araştırma, optik karakter tanıma (OCR) tabanlı belge işleme sürecini kapsam dışı bırakmış ve bunun yerine dört farklı makine öğrenmesi yaklaşımının bağımsız bölgesel veri kümeleri üzerindeki performanslarını sistematik olarak karşılaştırmaya odaklanmıştır. Elde edilen bulgular, topluluk öğrenmesi yöntemlerinin tablo tabanlı enerji verilerindeki öngörü kapasitesini ve daha küçük ancak yerel olarak toplanmış veri kümelerinin, daha büyük fakat daha heterojen metropol veri kümeleriyle karşılaştırılabilir doğruluk düzeyine hangi koşullar altında ulaşabileceğini ortaya koymaktadır.