كل المشاريع
سلاسل زمنية
التنبؤ باستهلاك الطاقة بالساعة
معيار 10 نماذج على 145,366 سجلاً ساعياً لـ PJM (2002-2018). LightGBM الأفضل: MAE=210.8 MW، RMSE=285.4 MW، MAPE=0.66%. Prophet يفشل (MAPE=10.25%). BiLSTM MAPE=2.17%. 26 ميزة lag/rolling/دورية.
210.8 MW
LightGBM MAE
0.66%
LightGBM MAPE
10.25%
Prophet MAPE
2.17%
BiLSTM MAPE
مجموعة البيانات
PJME: 145,366 سجلاً ساعياً (2002-2018)
المنهجية
26 ميزة lag/rolling/دورية → معيار 10 نماذج من الخطوط الأساسية البسيطة إلى BiLSTM
المكدس التقني
PythonLightGBMXGBoostTensorFlow/BiLSTMProphetstatsmodels
الكلمات المفتاحية
LightGBMXGBoostBiLSTMProphetLag FeaturesEnergy Forecasting
المرئيات4 مخططات
التعمق
معيار 10 نماذج للتنبؤ بالطلب على الطاقة الساعي لـ PJM.
مجموعة البيانات
- ◂PJME: 145,366 سجلاً ساعياً، 2002-01-01 إلى 2018-08-03
- ◂النطاق: 14,544-62,009 MW. التدريب: 85% / الاختبار: ~سنة أخيرة (8,760 صفاً)
هندسة الميزات (26 ميزة)
| الفئة | الميزات |
|---|---|
| Lag | lag_1h، lag_24h، lag_168h (أسبوع) |
| إحصاءات متحركة | mean_24h، std_24h، mean_168h، std_168h |
| دورية | sin/cos(ساعة)، sin/cos(يوم)، sin/cos(شهر) |
| تقويم | is_weekend، is_holiday |
النماذج الـ 10
| النموذج | MAE (MW) | RMSE (MW) | MAPE |
|---|---|---|---|
| ساذج (آخر قيمة) | 5,205 | 5,908 | 16.5% |
| ساذج موسمي (أسبوع) | 3,588 | 4,856 | 11.2% |
| متوسط متحرك | 2,874 | 3,643 | 9.2% |
| الانحدار الخطي | 380 | 519 | 1.2% |
| Random Forest | 348 | 465 | 1.1% |
| Prophet | 3,248 | 4,231 | 10.3% |
| BiLSTM | 699 | 917 | 2.2% |
| XGBoost | 222 | 300 | 0.70% |
| LightGBM | 211 | 285 | 0.66% |
استنتاجات رئيسية
- ◂نماذج الأشجار مع ميزات lag: MAPE < 1% مقابل 10%+ لـ Prophet
- ◂Prophet لا يستطيع استغلال الارتباط الذاتي القوي lag-24h
- ◂BiLSTM يُضعف XGBoost رغم معاملات أكثر — lags المهندَسة تُرمّز البنية الزمنية بشكل أفضل
- ◂أبرز ميزات LightGBM: lag_1h، hour_cos، hour