ПРОГНОЗИРОВАНИЕ ПОТРЕБИТЕЛЬСКОЙ АКТИВНОСТИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
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.
Скачивания
Литература
Список литературы
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.
Моргоева А.Д., Моргоев И.Д. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения // Известия ТПУ. 2022. №7. С. 115-125.
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
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.
Ляндау Ю.В., Темирбулатов А.У. Обзор применения технологий искусственного интеллекта в электроэнергетической отрасли // Инновации и инвестиции. 2023. №8. С. 304-309.
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
References
Vasiliev G.V., Berdonosov V.D. Methodology for the effective application of the hybrid neural network models for the energy consumption forecasting (in Russian). Elektrotekhnicheskie sistemy i kompleksy [Electrotechnical systems and complexes], 2022, no. 4 (57), pp. 88-95.
Morgoeva A.D., Morgoev I.D. Forecasting of the electric energy consumption by the industrial enterprise by means of the machine learning methods. Izvestiya TPU, 2022, no. 7, pp. 115-125.
Gorbunova E.B. Neural network approach to forecasting energy resources consumption in urban environment. Inzhenerny vestnik Dona, 2018, no. 4 (51). http://ivdon.ru/ru/magazine/archive/n4y2018/5303
Poluyanovich, N.K.; Dubyago, M.N. Estimation of the influencing factors and forecasting of the power consumption in the regional power system taking into account the mode of its operation. Izvestiya YuFU. Tekhnicheskie nauki, 2022, no. 2 (226), pp. 31-46.
Lyandau Yu.V., Temirbulatov A.U. Review of the application of artificial intelligence technologies in the electric power industry. Innovatsii i investitsii [Innovations and Investments], 2023, no. 8, pp. 304-309.
Nurfaizi A., Hasanuddin M. Ticket Prediction using LSTM on a GLPI System. International Journal of Open Information Technologies, 2023, no. 7. http://injoit.org/index.php/j1/article/view/1567
Просмотров аннотации: 126 Загрузок PDF: 54
Copyright (c) 2024 Vadim D. Novikov, Renat M. Khamitov
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
