Прогнозирование потребительской активности с использованием методов машинного обучения

Обложка

Цитировать

Полный текст

Аннотация

 

В данной статье рассматривается прогнозирование потребительской активности, а в частности прогнозирование энергопотребления домохозяйств с использованием машинного обучения. Прогнозирование энергопотребления домохозяйств с использованием машинного обучения — это тема, которая затрагивает различные аспекты эффективного и экологичного использования электроэнергии. В статье рассматриваются различные методы и модели машинного обучения, которые могут быть применены для решения задачи прогнозирования. В отдельную категорию выделено рассмотрение модели нейронных сетей такой как LTSM, дается ее описание, процесс обучения и использования, а также даны преимущества и недостатки данной модели. После чего на подготовленном датасете производится обучение модели для прогнозирования энергопотребления.

Об авторах

Вадим Денисович Новиков

ФГБОУ ВО «Казанский государственный энергетический университет»

Автор, ответственный за переписку.
Email: novikovschool@gmail.com
ORCID iD: 0009-0006-8034-8956

студент кафедры «Информационные технологии и интеллектуальные системы»

Россия, ул. Красносельская, 51, г. Казань, 420066, Российская Федерация

Ренат Минзашарифович Хамитов

ФГБОУ ВО «Казанский государственный энергетический университет»

Email: hamitov@gmail.com
ORCID iD: 0000-0002-9949-4404
SPIN-код: 7401-9166
Scopus Author ID: 57222149321

студент кафедры «Информационные технологии и интеллектуальные системы»

Россия, ул. Красносельская, 51, г. Казань, 420066, Российская Федерация

Список литературы

  1. Васильев Г.В., Бердоносов В.Д. Методика по эффективному применению гибридных моделей нейронных сетей для прогнозирования энергопотребления // Электротехнические системы и комплексы. 2022. №4 (57). С. 88-95.
  2. Моргоева А.Д., Моргоев И.Д. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения // Известия ТПУ. 2022. №7. С. 115-125.
  3. Горбунова Е.Б. Нейросетевой подход к прогнозированию потребления энергоресурсов в городской среде // Инженерный вестник Дона. 2018. №4 (51). http://ivdon.ru/ru/magazine/archive/n4y2018/5303
  4. Полуянович Н.К., Дубяго М.Н. Оценка воздействующих факторов и прогнозирование электропотребления в региональной энергосистеме с учетом режима ее эксплуатации // Известия ЮФУ. Технические науки. 2022. №2 (226). С. 31-46.
  5. Ляндау Ю.В., Темирбулатов А.У. Обзор применения технологий искусственного интеллекта в электроэнергетической отрасли // Инновации и инвестиции. 2023. №8. С. 304-309.
  6. Nurfaizi A., Hasanuddin M. Ticket Prediction using LSTM on a GLPI System // International Journal of Open Information Technologies. 2023. №7. http://injoit.org/index.php/j1/article/view/1567

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Новиков В.Д., Хамитов Р.М., 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).