Urban Electricity Consumption Forecasting Based on SARIMA and Random Forest Modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This project proposes to use a combination of machine learning and time series analysis to provide in-depth analysis and forecasting of electricity consumption in a city in North Africa. The dataset used in this study contains a range of information including date, temperature, humidity, wind speed, total flow, and electricity consumption. The project proposes to reveal patterns and patterns of electricity consumption behavior through data preprocessing, normalization, and seasonal decomposition. The project proposes to use two models: Seasonal Autoregressive Integrated Sliding Average (SARIMA) and Random Forest based on feature engineering. The SARIMA method is used to analyze the seasonality and trend of the time series data, and the Random Forest method is used to study the nonlinear relationship between electricity consumption and environmental factors. On this basis, we add more information such as rolling rolling standard deviation, minimum large value, and time-delayed features to the random forest. This method greatly improves the prediction accuracy of power consumption. The experimental results show that compared with the single SARIMA model, the random forest model using j combined with the feature engineering method can better predict the load changes of the power system. The results show that the Random Forest model can capture the complexity of power consumption more effectively, especially after adding detailed feature items. At the same time, the good interpretability and flexibility of Random Forest makes the model able to better understand and predict the urban power demand, which can effectively help the power grid enterprises to realize the optimal allocation of resources and reduce energy consumption.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle