Forecasting of G7 Countries' Total Energy Production: A Rigorous Exploration with Artificial Neural Networks and Multiple Linear Regression
Notice bibliographique
Résumé
Abstract The G7 countries, consisting of Canada, France, Germany, Italy, Japan, the United Kingdom, and the United States, have important collaborations in energy production to achieve energy security. One of the main systems of Artificial intelligence's, artificial neural networks (ANN), is crucial to this area of study, comparatively using Multiple Linear Regression (MLR) comparatively. ANN and MLR are feasible to use across the G7 countries' total energy production numbers, and these numbers were determined using ANN and MLR forecasting techniques. The data included the years 1990–2020, focusing on GDP intensity, refined oil product production, electricity production, and renewable energy proportion. In ANN modeling, the best regression results at 10*10 have been obtained with two hidden layers. All regression values were 0.99947, with the training regression value being 0.99912, the validation regression value being 0.99997, and the test regression value being 0.99997. The results showed high accuracy, with regression scores exceeding 99% and smaller prediction error values. A paired sample t test has been applied to see whether the distinction between the average values is significant or not. The results of the test between the actual and predicted values (p = 0.7462 > 0.05) revealed that the forecasted values have been quite close to the actual values. Total energy production Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE) parameters have been calculated as 4.364, 34.072, 5.837, and 0.162, respectively. The research proved that ANNs are effective in forecasting total energy output. And, with MLR, error values for MAD, MSE, RMSE, and MAPE were also found to be 5.364, 34.352, 5.861, and 1.609, respectively, using MLR modeling. By 2035, the G7 nations are expected to produce 50,652.746 Mtoe of energy collectively. The research proved that ANNs are effective in forecasting total energy output.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».