Bu tədqiqat, torıllı binaların saatlıq enerji istehlaxınni kısa və orta vadede proqnoz etmek amacıyla xam sensor məlumatınden nihai proqnoze kadar uzanan bütünleşik bir maşın öyrənməsi çərçivəsi təklifktedir. Çerçevə; məlumat təmizləmə, zaman və hava koşullarına btorlı xüsusiyyət mühəndisliyi, hibrid xüsusiyyət seçimi, xronoloji təlim-validasiya-test ayırmaı, altı fərqli maşın öyrənməsi və dərin öyrənmə modelinin müqayisəsi, Bayesçi hiperparametr optimallaşdırması və en başarılı modellerin stacking üsuluyle birleştirilmesinden oluşmaktadır.

Tədqiqatda Random Forest, XGBoost, LightGBM, CatBoost, Long Short-Term Memory (LSTM) və Gated Recurrent Unit (GRU) modelleri aynı təcrübə protokolü altında müqayisə edilmişdir. Bundan əlavə validasiya performansı en yüksək üç model olan LightGBM, CatBoost və XGBoost'un proqnozleri ridge reqressiyası tabanlı bir meta-öyrəniciyle birleştirilərek stacked ensemble oluşturulmuştur.

Çerçevə iki kamuya açıq vəri kayntorında qiymətləndirilmişdir: ASHRAE Great Energy Predictor III (GEPIII) və Building Data Genome Project 2 (BDG2). GEPIII analizinde 380, BDG2 analizinde isə 250 bina istifadə edilmişdir. Performans MAE, RMSE, MAPE və R² ölçütleriyle qiymətləndirilmişdir.

24 saat irəliye yönelik GEPIII proqnozunde tekil modeller arasında en iyi nəticə LightGBM'den gelmiş; model 15,47 kWh MAE, 23,58 kWh RMSE, %7,96 MAPE və 0,929 R² dəyərine ulaşmıştır. LightGBM, CatBoost və XGBoost'u birleştiren stacked ensemble isə aynı testte MAE'yi 13,92 kWh'ye, RMSE'yi 21,34 kWh'ye və MAPE'yi %7,11'e düşürürken R² dəyərini 0,941'e yükseltmiştir.

BDG2 vəri dəstinde de aynı ümumi sıralama korunmuştur. Stacked ensemble 16,18 kWh MAE, 24,39 kWh RMSE, %8,60 MAPE və 0,921 R² ilə tədqiqatdaki en başarılı yaklaşma olmuştur. Böylece ensemble yaklaşmaının en iyi tekil model olan LightGBM'ye göre MAE açistilikndan GEPIII'de təxminən %10,0, BDG2'de təxminən %9,5 iyiləşme storladığı raporlanmıştır.

Tədqiqatnın diğer əhəmiyyətli sonucu, bina enerji proqnozunde yalnızca algoritma seçiminin değil xüsusiyyət mühəndisliyinin de kritik olmasıdır. GEPIII üzerindeki ablation analizinde yalnızca təqvim dəyişənleri kullanıldığında MAPE %13,24 iken geçmiş enerji istehlaxınnin gecikmiş dəyərleri eklendiğinde %10,02'ye düşmüş; rolling istatistikler, temperatur tabanlı derece-saat dəyişənleri və bina meta vəriləri eklendikçe MAPE %7,96'ya kadar geriləmiştir.

Türkiyə baxımından tədqiqat birbaşa yerel bir bina enerji modeli və ya ulusal tasarruf nisbətı vərmemektedir. Bununla belə torıllı sayğac, bina avtomatlaşdırma sistemi, HVAC və meteorologiya vərilərinin mevcut olduğu strukturlarda benzer bir proqnoz arxitekturasınin necə kurulabiləceğine ilişkin üsulsel bir örnek sunmaktadır. Türkiyə'deki uygulamalar üçün modellerin yerli iqlim, istifadə programı, bina tipi, enerji tarifi, tesisat sistemi və istifadəçi davranışı vəriləriyle yeniden eğitilmesi və btorımsız sahə validasiyasından geçirilmesi gerekir.

Tədqiqatın həll etməyə çalışdığı problem nədir?

Akıllı binalarda enerji yönetiminin əhəmiyyətli gereksinimlerinden biri, binanın birkaç saat və ya bir gün sonra ne kadar elektrik, qızdırma ya da soyutma enerjisine ihtiyaç duyactorını mümkün olduğunca doğru proqnoz etmektir. Böyle bir proqnoz tələb tərəfi idarəetməsi, pik yük azaltma, HVAC cədvəlləşdirməsi, bərpa olunan enerji entegrasyonu və nasazlıq aşkarlanması gibi birçok uygulamada kullanılabilir.

Bununla belə bina enerji istehlaxın doğrusal və sabit bir proses değildir. Dış hava sıcaklığı, rütubət, günəş radiasiyası, həftənin günü, günün saati, bina istifadə amacı və xüsusilikle geçmiş saatlerdeki tüketim birlikdə etkili ola bilər. Kullanıcıların binaya geliş-gidişleri və HVAC ekipmanlarının tədqiqat programları da tüketimde ani keçidlere niyə ola bilər.

Tədqiqatcı bu niyəle tek bir algoritmayı qiymətləndirmək yerine, aynı vəri hazırlama və qiymətləndirmə koşullarında hem toraç tabanlı maşın öyrənməsi modellerini hem de tekrarlayan sinir torlarını karşılaştıran uctan uca bir iş axını yaratmışdır.

Önerilən maşın öyrənməsi iş axını necə çalışıyor?

Tədqiqatnın 11. sayfasındaki kavramsal axın şeması xam məlumatden enerji yönetiminde kullanılabiləcek proqnoze kadar uzanan sıralı bir struktur göstərir. Proses əsas olaraq şu mərhələlardan oluşmaktadır:

1. Akıllı sayaçlar, HVAC sensorleri, meteorologiya vəriləri və bina meta vərilərinin toplanması.
2. Eksik dəyərlərin, kənar dəyərlerin və zaman damgalarının işlenmesi.
3. Takvim, keçmiş istehlak, hərəkətli istatistik və meteorologiya tabanlı yeni xüsusiliklerin oluşturulması.
4. Filtre və wrapper üsullarini birleştiren hibrid xüsusiyyət seçimi.
5. Verilərin xronoloji təlim, validasiya və test kümelerine ayrılması.
6. Random Forest, XGBoost, LightGBM, CatBoost, LSTM və GRU modellerinin eğitilmesi.
7. Bayesçi hiperparametr optimallaşdırması.
8. En başarılı üç modelin ridge reqressiyası ilə stacking üsuluyle birleştirilmesi.
9. MAE, RMSE, MAPE və R² kullanılarak performansın dəyərlendirilmesi.

Bu struktur modulerdir. Tədqiqatcının yaklaşmaına göre belirli bir algoritma və ya xüsusilik seçim üsulu daha sonra değiştiriləbilirken vəri hazırlama və qiymətləndirmə protokolü korunabilir.

Ham bina vəriləri necə temizleniyor?

Tüm vəri axınları tədqiqat kapsamında ortak bir saatlıq zaman çözünürlüğüne gəlirliklmektedir. Üç saat və ya daha kısa eksik vəri blokları doğrusal enterpolasyonla doldurulmaktadır. Daha uzun boşluklarda önceki hafdiaqnozn aynı saat və aynı gün tipindeki dəyərinin kullanılması təklif olunur.

Aykırı dəyərlərin belirlenmesinde hərəkətli yedi günlük medyanın üç IQR dışına çıkan gözlemleri və neqativ enerji istehlaxın gibi fiziki olaraq realçi olmayan dəyərlər işaretlenmektedir. Bu gözlemler de eksik dəyərlər üçün kullanılan yaklaşmala yeniden doldurulmaktadır.

Sinir torı modellerinde xüsusiliklere sıfır orta və birim dispersiya ölçeklemesi uygulanırken toraç tabanlı modeller üçün aynı ölçekleme strukturlmamaktadır.

Zaman bilgisi niyə sinus və kosinusle kodlanıyor?

Günün saati gibi dəyişənler döngüseldir. Saat 23 ilə saat 00 sayısal olaraq birbirinden uzak görünse de realte komşu zaman noktalarıdır. Tədqiqatda saat bilgisi bu davamlıliği korumak amacıyla sinus və kosinus çiftine dönüştürülmektedir:

\[ x_{\sin}=\sin\left(\frac{2\pi h}{24}\right), \qquad x_{\cos}=\cos\left(\frac{2\pi h}{24}\right) \]

Burada h günün saatini temsil etmektedir. Benzer döngüsel kodlama həftənin günü üçün de uygulanmaktadır.

Geçmiş tüketim bilgisi necə kullanılıyor?

Enerji tüketimi zaman seriləri ümumilikle güclü otokorrelyasiya içerir. Bir binanın mevcut tüketimi, kısa süre önceki və ya aynı saatin bir gün və bir hafta önceki tüketimiyle ilişkili ola bilər. Bu niyəle tədqiqatda tüketimin:

• 1 saat önceki dəyəri,
• 24 saat önceki dəyəri,
• 168 saat önceki dəyəri

xüsusilik olaraq istifadə olunur.

Bundan əlavə son 3, 24 və 168 saatlıq pəncərəler üçün hərəkətli orta və standart yaw oluşturulmaktadır. Hareketli orta ümumi eğilimi, hərəkətli standart yaw isə tüketimin son dörütubətdeki dəyişənliğini modele taşmaaktadır.

Tədqiqatnın 25. sayfasındaki SHAP tabanlı LightGBM xüsusiyyət əhəmiyyəti qrafiğinde de en belirleyici xüsusilik lag_1h olaraq görünmektedir. Bunu lag_24h, 24 saatlıq hərəkətli orta və xarici hava temperaturu izləməktedir. Bu görsel bulgu, ablation analizindeki gecikməli xüsusiliklerin yüksək katkistilikyla tutarlıdır.

Isıtma və soyutma derece-saatleri necə hesaplanıyor?

Dış hava temperaturunın bina enerji istehlaxın üzərində təsirini daha birbaşa temsil etmek üçün 18 °C əsas sıcaklığa dayalı Heating Degree Hours və Cooling Degree Hours dəyişənleri oluşturulmuştur:

\[ HDH_t=\max(0,T_b-T_t) \]

\[ CDH_t=\max(0,T_t-T_b) \]

Burada T_b əsas sıcaklığı, T_t isə t anındaki dış hava kuru termometre temperaturunı göstərir. Bu dönüşüm, temperatur ilə qızdırma/soyutma ihtiyacı arasındaki ilişkiyi modele daha açıq bir biçimde sunmayı amaçlamaktadır.

Toplam hansı xüsusilikler dəyərlendirildi?

Tədqiqatnın xüsusilik havuzu birkaç ana gruba ayrılmıştır:

Başlangıçtaki 27 aday xüsusilik, hibrid xüsusiyyət seçimi sonrasında bina portföyüne btorlı olaraq təxminən 16–19 xüsusiliğe indirilmektedir.

Özellik seçimi necə strukturlıyor?

Tədqiqat iki mərhələli bir filtre-wrapper yaklaşmaı kullanmaktadır. İlk mərhələda hedefle ilişkisi daha yüksək xüsusilikleri belirlemek üçün qarşılıqlı informasiya və korrelyasiya bilgisi kullanılmakta; yüksək ölçüde ilişkili xüsusiliklerden birinin çıkarılması hedeflenmektedir.

İkinci mərhələda Recursivə Feature Elimination (RFE) uygulanmaktadır. En az katkı storlayan xüsusilikler sırayla kaldırılmakta və validasiya performansındaki gelişme durana kadar proses devam etmektedir.

Kaynak metinde bu bölümün diaqnozmında qarşılıqlı informasiya kavramıyla |r| > 0,9 korrelyasiya eşiği aynı açıqlama üçünde istifadə olunur. Buna görə filtreleme adımının uygulama ayrıntistilik metinsel olaraq tam tek anlamlı değildir. Tədqiqatnın kodu da bu sürümde vərilmediğinden söz konusu adımın bire bir yeniden üretimi yalnız makale metni üzerinden tam olaraq doğrulanamamaktadır.

Random Forest necə kullanılıyor?

Random Forest, bootstrap örnekleri üzerinde eğitilən B adet reqressiya toracının proqnozlerini ortaktadır:

\[ \hat y_{RF}=\frac{1}{B}\sum_{b=1}^{B}T_b(x) \]

Tədqiqatda model xüsusilikle heterojen və gürültülü bina vəriləri üçün müqayisə algoritmalarından biri olaraq istifadə edilmişdir.

XGBoost, LightGBM və CatBoost neyi temsil ediyor?

Üç model de gradient boosting ailəsindedir. Zayıf öğrenicilər ardıcıl olaraq eklenerek önceki modelin xətası azaltılmaya çalışılmaktadır. Kaynakta ümumi boosting güncellemesi şu biçimde ifade edilmektedir:

\[ F_m(x)=F_{m-1}(x)+\eta h_m(x) \]

Burada η öğrenme nisbətıdır. XGBoost düzenliləştirme və ikinci dereceden gradyan bilgisini kullanırken LightGBM histogram əsaslı, leaf-wisə toraç böyütmə yaklaşmaına sahiptir. CatBoost isə xüsusilikle kategorik dəyişənlerin birbaşa işlenmesi və ordered boosting yaklaşmaıyla ayrılmaktadır.

Deneysel nəticələrda bu üç gradient boosting modeli, strukturlandırılmış və xüsusiyyət mühəndisliyi uygulanmış bina vərilərinde LSTM və GRU'dan daha yüksək dəqiqlik storlamıştır.

LSTM və GRU niyə karşılaştırıldı?

LSTM və GRU, zaman üçündeki uzun btorımlılıkları modellemek üçün tasarlanmış tekrarlayan neyron şəbəkəsi arxitekturaleridir. LSTM giriş, unutma və çıxış qapıları üzerinden geçmiş bilginin ne kadarının saklanactorını denetlemektedir. GRU daha az qapı və daha az parametreyle benzer bir işlev realleştirmektedir.

Tədqiqatnın 28. sayfasındaki təlim və validasiya təkan eğriləri, GRU'nun təxminən 27. epoch civarında erken durdurmaya ulaştığını; LSTM'nin isə təxminən 33. epoch'a kadar devam ettiğini göstərir. Tədqiqatcı bunu GRU'nun daha bturşu qapı struktursı və daha az parametresiyle ilişkiləndirmektedir.

Bu tədqiqat btorlamında iki tekrarlayan torın tek başına gradient boosting modellerini geçemediği görülmüştür. Bununla belə tədqiqatcı, düzensiz doluluk keçidleri və daha uzun zaman btorımlılıklarında recurrent modellerin fərqli xəta karakteristiğine sahip olabiləceğini bildirir.

Stacked ensemble necə oluşturuluyor?

Doğrulama R² performansı en yüksək üç əsas modelin proqnozleri yeni bir vəri matrisi olaraq kullanılmakta və ridge reqressiyası meta-öyrənici eğitilmektedir:

\[ \hat y_{ens}=\sum_{k=1}^{3}\beta_k\hat y_k+\beta_0 \]

Ridge düzenliləştirmesi isə meta-modelin tek bir əsas öğreniciye aşırı çəki vərmesini azaltmayı amaçlamaktadır:

\[ \boldsymbol{\beta} =\arg\min_{\boldsymbol{\beta}} \left\|y-X\boldsymbol{\beta}\right\|_2^2 +\lambda\left\|\boldsymbol{\beta}\right\|_2^2 \]

Son ensemble LightGBM, CatBoost və XGBoost'tan oluşmuştur.

Hiperparametreler necə optimize edildi?

Her model üçün Bayes optimallaşdırması və Tree-structured Parzen Estimator yaklaşmaı istifadə edilmişdir. GEPIII validasiya kümesinde model başına 50 optimallaşdırma derütubətesi həyata keçirilmişdir.

Örneğin Random Forest üçün toraç sayistilik 100–800, XGBoost üçün 100–1.000, LightGBM üçün yaprak sayistilik 15–255 aralıklarında aranmıştır. LSTM və GRU üçün 32–256 hidden unit, 1–3 qat, 0–0,5 dropout, 32–256 batch size və 10⁻⁴–10⁻² öğrenme nisbətı qiymətləndirilmişdir.

Hangi vərilənlər dəstləri kullanıldı?

GEPIII vəri dəstinin asıl kayntorı 1.400'den fazala binayı içerirken tədqiqatda bir yıllık vərisinin en az %90'ı eksiksiz olan və belirlenen istifadə türlerine giren təxminən 380 bina tutulmuştur. BDG2 üçün elektrik ölçməü və meteorologiyak qeydləri yeterli olan 250 bina seçilmiştir.

Eğitim və test vəriləri necə ayrıldı?

Gelecek gözlemlerin geçmişe sızmasını önlemek amacıyla zaman serisi xronoloji olaraq %70 təlim, %15 validasiya və %15 test bölümlerine ayrılmıştır. Eğitim və validasiya bölümlerinde ayrıca xronoloji, çaxınmayan beş katlı bloklanmış zaman sırası cross-validation uygulanmıştır.

Sinir torlarında validasiya təkansi üçün patience = 10 epoch erken durdurma kullanılmış və stokastik dəyişənliği azaltmak amacıyla beş fərqli rastgele başlangıcın nəticələri qiymətləndirilmişdir.

Model performansı hansı ölçütlerle dəyərlendirildi?

Mean Absolute Error (MAE):

\[ MAE=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat y_i| \]

Root Mean Squared Error (RMSE):

\[ RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat y_i)^2} \]

Mean Absolute Percentage Error (MAPE):

\[ MAPE=\frac{100\%}{n}\sum_{i=1}^{n} \left|\frac{y_i-\hat y_i}{y_i}\right| \]

Determination coefficient (R²):

\[ R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat y_i)^2} {\sum_{i=1}^{n}(y_i-\bar y)^2} \]

MAE orta mütləq xəta büyüklüğünü, RMSE büyük xətaları daha torır biçimde cezalandıran xəta səviyyəini, MAPE göreli yüzdəlik xətayı və R² isə gözlenen dispersiyaın model tarafından açıqlanabilən bölümünü göstərir.

GEPIII üzerinde hansı model daha başarılı oldu?

24 saat irəli proqnozunde ensemble dört metrikte de en iyi dəyəri vərmiştir. Tədqiqatnın 24. sayfasındaki gözlenen–proqnoz edilən tüketim qrafiğinde de noktaların büyük bölümü 1:1 referans çizgisi çmərhələsinde topalaşmaktedir.

Sonuclar başka bir vəri dəstinde korundu mu?

BDG2 analizinde de stacked ensemble en aştorı xəta və en yüksək R² dəyərlərine ulaşmıştır:

Ancaq bu təcrübə birbaşa sıfırdan təlim strukturlmadan bir binadan diğerine model transferi anlamına gelmemektedir. Tədqiqatnın açıqlamasına göre aynı xüsusiyyət mühəndisliyi çərçivəsi və hiperparametr yaklaşmaı BDG2 üzerinde yeniden eğitilmektedir. Buna görə nəticələr üsulsel transfer ediləbilirliği dəstəkləyir; eğitilmiş tek bir GEPIII modelinin BDG2 binalarında birbaşa çalıştığını sübut etmir.

Özellik mühendisliği performansı ne kadar değiştirdi?

En büyük tek sıçrama keçmiş istehlak dəyişənleri eklendiğinde görülmektedir. Yalnız təqvim xüsusiliklerine kıyasla MAPE %13,24'ten %10,02'ye düşmektedir. Bu bulgu enerji istehlaxınnin yaxınn geçmişinin 24 saat irəli proqnoz açistilikndan güclü bilgi taşıdığını göstərir.

Daha karmaşık model daha sürətli mı?

Hayır. Tədqiqatnın hesablama xərci cədvəlsunda LightGBM hem yüksək dəqiqlik hem aştorı hesablama xərciyle öne çıkmaktadır.

LightGBM'nin 41 saniyelik raporlanan təlim müddəti, LSTM'nin 1.284 saniyelik süresinden təxminən 31 kat daha aştorıtür. Ancaq bu dəyərlər yalnızca tədqiqatda kullanılan donanım və təcrübə düzeni üçün geçerlidir; fərqli vəri büyüklüğü və donanımda aynı sürelerin elde edilmesi beklenmemelidir.

Ensemble üstünlüğü statistik olaraq sınandı mı?

GEPIII test kümesinde stacked ensemble'ın mutlak xətaları ilə her əsas modelin mutlak xətaları arasında cütləşdirilmiş t-testləri uygulanmıştır. Tüm müqayisəlarda p < 0,001 raporlanmıştır.

Bu testler tədqiqatın kendi GEPIII örnekleminde ensemble'ın xəta azalmasının nümunələmə dəyişənliğiyle açıqlanma mümkünlığının aştorı olduğuna işaret etmektedir. Bununla belə statistik anlamlılık, fərqli real bina filolarında aynı büyüklükte performans kazanımının garanti edildiği anlamına gelmez.

Tahmin süresi 48 saata çıktığında ne oluyor?

Tədqiqatnın 32. sayfasındaki həssaslıq qrafiği 1 saatten 48 saata kadar beş başarılı modelin MAPE değişimini göstərir. Tahmin ufku uzadıkça tüm modellerde xəta artmaktadır.

Stacked ensemble bütün incelenen proqnoz ufuklarında en aştorı MAPE'yi korumuştur. En iyi tekil model LightGBM ilə ensemble arasındaki fark təxminən 1 saatlıq proqnozde 0,7 yüzde puanıyken 48 saatte 1,1 yüzde puanına yükselmiştir.

LSTM və GRU'nun xəta artış eğimleri bazı boosting modellerine kıyasla daha ytullantı olmasına rtormen tədqiqatda incelenen 1–48 saat aralığında gradient boosting modellerinin doğruluğunu geçmemişlerdir.

Tədqiqat real bina yönetiminde ne öneriyor?

Tədqiqatcı elde edilən proqnozlerin talep tarafı bərklımı, HVAC set dəyərlərinin önceden ayarlanması, pik yük yönetimi və proqnoz-real tüketim farklarının anomali göstəricisi olaraq kullanılması gibi uygulamalara aktarılabiləceğini bildirir.

Özellikle LightGBM'nin aştorı təlim və çıxarım xərci, donanım mənbəlarının sınırlı olduğu yerel BEMS və ya edge uygulamaları açistilikndan avantaj olaraq dəyərlendirilmektedir. Ensemble isə doğruluğun ekonomik olaraq daha əhəmiyyətli olduğu uygulamalarda tercih ediləbiləcek daha torır bir seçenek olaraq təklif olunur.

Ancaq tədqiqatda real bir binanın HVAC kontrol döngüsü çalıştırılmamış, enerji faturası və ya fiziki enerji istehlaxın üzerinde eksperimental tasarruf ölçülmemiş və real talep yanıt piyasasında teklif vərilməmişdir. Bunlar tədqiqatcının nəticələrdan türettiği potansiyel istifadə alanlarıdır.

Tədqiqatnın söylediği və söylemediği nədir?

Tədqiqatnın söylediği: İki kamuya açıq bina vəri dəstinde, aynı vəri hazırlama və qiymətləndirmə çərçivəsi altında gradient boosting modelleri tekil LSTM və GRU modellerinden daha iyi proqnoz doğruluğu storlamıştır. En iyi üç gradient boosting modelinin stacking ilə birleştirilmesi her iki vəri dəstinde de ek dəqiqlik kazanımı storlamıştır. Özellikle keçmiş istehlak, hərəkətli istatistikler və hava koşullarından oluşturulan xüsusilikler proqnoz performansında əhəmiyyətli rol oynamıştır.

Tədqiqatnın söylemediği: LightGBM'nin bütün bina tiplerinde və ya bütün iqlimlerde her zaman LSTM'den üstün olduğunu sübut etmir. Tədqiqat real vaxtlı bir bina avtomatlaşdırma sistemi üzerinde sahə təcrübəi değildir. Raporlanan daha aştorı proqnoz xətasının birbaşa belirli bir yüzde enerji tasarrufu oluşturduğunu göstərmir. Aynı şəkilde BDG2 analizi eğitilmiş GEPIII modelinin yeniden təlim olmadan başka binalara taşınabildiğini sübut etmir.

Tədqiqatın metodu və nəticələri

Deneysel tasarımın xülasəi

• Temel problem: Saatlik torıllı bina enerji istehlaxın proqnozu.
• Temel proqnoz ufku: 24 saat irəli.
• Ek həssaslıq: 1–48 saat iləri proqnoz.
• Veri kümeleri: ASHRAE GEPIII və Building Data Genome Project 2.
• GEPIII örneklemi: 380 bina.
• BDG2 örneklemi: 250 bina.
• Temel zaman çözünürlüğü: Saatlik.
• Modeller: Random Forest, XGBoost, LightGBM, CatBoost, LSTM və GRU.
• Ensemble: LightGBM + CatBoost + XGBoost; ridge regression meta-öyrənici.
• Veri ayırmaı: %70 təlim, %15 validasiya, %15 test; xronoloji.
• Cross-validation: Beş katlı bloklanmış zaman sırası cross-validation.
• Hiperparametre optimallaşdırmau: Bayes optimallaşdırması; model başına 50 validasiya derütubətesi.
• Değerlendirme: MAE, RMSE, MAPE və R².

GEPIII'deki ana bulgu

24 saat irəli proqnozde en iyi tekil model LightGBM'dir: MAE 15,47 kWh, RMSE 23,58 kWh, MAPE %7,96 və R² 0,929. Stacked ensemble bu dəyərləri sırasıyla 13,92 kWh, 21,34 kWh, %7,11 və 0,941'e taşmaıştır.

LightGBM ilə karşılaştırıldığında ensemble'ın MAE'sindeki azalma təxminən:

\[ \frac{15.47-13.92}{15.47}\times100 \approx 10.0\% \]

səviyyəindedir.

BDG2'deki ana bulgu

En iyi tekil model yine LightGBM olmuş və 17,88 kWh MAE, 26,77 kWh RMSE, %9,48 MAPE və 0,909 R² üretmiştir. Stacked ensemble 16,18 kWh MAE, 24,39 kWh RMSE, %8,60 MAPE və 0,921 R² dəyərine ulaşmıştır.

LightGBM'ye göre ensemble MAE azalması təxminən:

\[ \frac{17.88-16.18}{17.88}\times100 \approx 9.5\% \]

olaraq hesaplanmaktadır.

Özellik mühendisliğinin ana bulgusu

LightGBM ablation təcrübəinde yalnız təqvim xüsusilikleriyle R² 0,847 və MAPE %13,24 iken bütün xüsusilikler kullanıldığında R² 0,929'a yükselmiş, MAPE %7,96'ya düşmüştür. En büyük tek mərhələlı kazanç, lagged consumption xüsusiliklerinin eklenmesiyle oluşmuştur.

Hız-dəqiqlik dengesi

Tekil modeller arasında LightGBM, hem yüksək doğruluğu hem de 41 saniyelik raporlanan təlim müddəti və 0,09 ms/örnek çıkarım gecikməsi niyəiyle tədqiqatın en güclü dəqiqlik-hesablama xərci dmaneəerinden birini sunmaktadır.

Stacked ensemble daha yüksək dəqiqlik üretirken 1.637 saniyelik toplam təlim müddəti və 1,85 ms/örnek gecikməyle daha yüksək hesablama xərcine sahiptir. Bu niyəle tədqiqatnın nəticələri “her durumda ensemble kullanılmalıdır” şeklinde yorumlanmamalıdır; performans ihtiyacı ilə hesablama kayntorı arasında bir seçim bulunmaktadır.

Bilimsel məhdudiyyətlər

• Sonuclar iki kamuya açıq məlumat dəstine dayanmaktadır; canlı bir bina avtomatlaşdırma sisteminde sahə validasiyası strukturlmamıştır.
• BDG2 müqayisəsı aynı metodolojik çərçivənin fərqli vəri üzerinde yeniden eğitilmesidir; sıfırdan təlim olmadan cross-building transfer testi değildir.
• Raporlanan hesablama süreleri yalnız kullanılan donanım və təcrübə düzeni üçün geçerlidir.
• Tədqiqat nokta proqnozu yapmaktadır; proqnoz belirsizliği və ya kalibre edilmiş mümkünlık aralıkları dəyərlendirilmemiştir.
• Transformer və ya attention tabanlı modeller aynı təcrübə düzeninde karşılaştırılmamıştır.
• Gerçek zamanlı enerji tarifi, ayrıntılı doluluk algılama və plug-load ayrıştırması əsas təcrübəlerde yer almır.
• Kaynak kodu və eğitilmiş model artefaktlarının açıq paylaşmaı bu sürümde gösterilmediğinden tam btorımsız yeniden üretiləbilirlik doğrulanamamaktadır.
• Özellik filtreleme açıqlamasındaki qarşılıqlı informasiya və korrelyasiya eşiği terminolojisi tam tek anlamlı değildir.
• Kaynak metinde bazı şəkil numaralandırmaları ilə model adlandırmalarında editoryal tutarsızlıklar bulunmaktadır.

Gelecek tədqiqat öneriləri

Tədqiqat gelecekte nokta proqnozleri yerine ehtimallı proqnozlerin, Transformer və attention arxitekturalerinin, federated learning'in, transfer learning'in, daha ayrıntılı doluluk və plug-load vərilərinin və dinamik elektrik fiyatlarının dəyərlendirilmesini təklifktedir.

Özellikle federated learning, fərqli bina və ya qurumların ham enerji tüketim vərilərini tek bir merkezde toplamadan ortak model eğitebilmesi açistilikndan tədqiqat istiqaməti olaraq belirtilmektedir. Transfer learning isə yeni və ya vəri açistilikndan yetersiz binalarda başlangıç vəri ihtiyacını azaltabiləcek potansiyel yaklaşma olaraq sunulmaktadır.

Mənbə və metod qeydi

Özgün tədqiqat adı: A Machine Learning-Based Framework for Predicting Energy Consumption in Smart Buildings

Müəllif: Sun Tao

Müəllif kimliyi hakkında not: Yüklenen tədqiqat metninin görünür ilk sayfasında müəllif və ya qurum bilgisi yoxdur. Sun Tao və Zhejiang Univərsity bilgiləri tədqiqatın işaret ettiği SSRN Abstract 7199510 rəsmi bibliyoqraf kaydı üzerinden doğrulanmıştır.

Eş katkı/eş birinci müəllif: Tek müəlliflı qeyd olduğundan eş birinci müəlliflık bilgisi yoxdur.

İletişim müəllifı: SSRN kaydında Sun Tao contact author olaraq gösterilmektedir.

Qurum: Zhejiang Univərsity.

DOI: 10.2139/ssrn.7199510

Yayın platformu: SSRN, Abstract 7199510.

Jurnal: Hakemli bir dergi yayını doğrulanmamışdır.

Yayın yılı: 2026.

Mənbə növü: Makine öğrenmesi və bina enerji istehlaxın proqnozu üzerine eksperimental model müqayisəsı içeren tədqiqat preprinti.

Rəyçilik statusu: Tədqiqatnın mevcut sürümü rəyçi qiymətləndirməsindən keçməmiş bir preprinttir. Kayntorın her sayfasında “Preprint not peer reviewed” ibaresi bulunmaktadır.

Rəsmi btorlantı: SSRN Abstract 7199510.

Bibliyoqraf kimlik notu: Aynı tədqiqat başlığı və büyük ölçüde aynı xülasəle fərqli bir müəllif və fərqli SSRN numarası altında indekslenen başka bir qeyd da dövriçi mənbəlarda görülmektedir. Yüklenen tədqiqat her sayfada 7199510 numaralı kayda btorlandığından bu içerikte yalnızca 7199510 bibliyoqraf kimliyi esas alınmıştır.

Bu Verianla içeriğindeki üsul, vəri dəsti, formül, performans dəyəri, xüsusiyyət əhəmiyyəti sırası, hesablama xərci və tədqiqat sonucu yalnızca incelenen tədqiqatya dayanmaktadır. Dış mənbəlar bilimsel tapıntıları genmüəssisək üçün kullanılmamış; yalnızca tədqiqatın bibliyoqraf kimliyi, müəllifı, qurumu və DOI bilgisini validasiyak amacıyla istifadə edilmişdir.

Tədqiqatnın nəticələri kamuya açıq benchmark vərilənlər dəstlərinde elde edilən proqnoz performansıdır. Gerçek bir binada enerji tasarrufu, HVAC kontrol başaristilik, xərc azaltımı və ya talep yanıt gelirinin sahə ortamında doğrulandığı sonucuna ulaşılamaz. Bundan əlavə başka bina və iqlimlere uygulanabilirlik, aynı vəri hazırlama və modelleme çərçivəsinin yerel vərilər üzerinde yeniden eğitilmesini və müstəqil validasiyayı gerektirir.