TopoBrick: 에이전트 기반 위상 샘플링을 활용한 외부 변수 선택을 통한 제로샷 건물 IoT 예측

TopoBrick: Agentic Topology Sampling of Exogenous Variables for Zero-Shot Building IoT Forecasting

건물 센서는 물리적 토폴로지, 공간 계층 구조 및 운영 환경에 내재되어 있지만, 기존의 예측 모델들은 종종 이러한 센서들을 독립적인 시계열 데이터로 취급하거나 고정된 변수 집합에 의존합니다. 본 논문에서는 제로샷 건물 IoT 예측을 위한 학습이 필요 없는 프레임워크인 TopoBrick을 소개합니다. TopoBrick은 건물 지식 그래프를 활용하여 간결한 구조적 스켈레톤을 구축하고, 에이전트 기반의 위상 샘플러를 사용하여 목표에 맞는 외부 변수를 선택합니다. 선택된 변수들은 배포 시점의 가용성을 기준으로 과거에 알려진 센서 상태와 미래에 예측 가능한 달력, 일정 및 기상 관련 외부 변수로 분류됩니다. 실제 건물 세 곳에서 TopoBrick은 강력한 제로샷 기초 모델 대비 우수한 성능을 보였으며, 완벽하게 학습된 건물별 맞춤형 모델과도 경쟁력을 유지했습니다. 추가 분석 결과, 위상 정보를 고려한 샘플링 방식이 무작위 또는 온톨로지 기반의 방식, 그리고 고정 거리 선택 방식보다 더 안정적인 성능을 제공하며, 특히 물리적으로 연결된 HVAC(난방, 환기 및 냉방) 시스템과 기상 관련 센서 변수에 대해 더욱 효과적임을 확인했습니다.

Building sensors are embedded in physical topology, spatial hierarchy, and operational context, yet existing forecasters often treat them as isolated time series or rely on fixed covariate sets. We present TopoBrick, a training-free framework for zero-shot building IoT (Internet-of-Things) forecasting. TopoBrick uses building knowledge graphs to construct a compact structural skeleton and employs an agentic topology sampler to select target-specific exogenous variables. The selected variables are organized by deployment-time availability, separating past-known sensor states from future-known calendar, schedule, and meteorological exogenous variables. Across three real-world buildings, TopoBrick outperforms strong zero-shot foundation-model baselines and remains competitive with fully trained building-specific models. Ablations show that topology-aware sampling is more reliable than random, ontology-only, or fixed-hop selection, especially for physically coupled HVAC and weather-driven sensing variables.