Bu tədqiqat, Universidad Laica Eloy Alfaro de Manabí nəzdindəki üç akademik binanın elektrik gücü istehlakını keçmiş ölçmələr, zaman məlumatları və temperatur göstəriciləri əsasında proqnozlaşdırmaq üçün MATLAB Regression Learner tətbiqindən istifadə edir. Regression Learner müxtəlif reqressiya alqoritmlərini eyni verilənlər toplusunda öyrətməyə, çarpaz doğrulama ilə müqayisə etməyə və əldə edilən modelləri sonradan MATLAB kodunda və ya başqa tətbiqlərdə istifadə etmək üçün ixrac etməyə imkan verən maşın öyrənməsi alətidir. Tədqiqatda xətti və polinom reqressiyası, Support Vector Machine və ensemble üsulları daxil olmaqla müxtəlif seçimlər qiymətləndirilmiş; mənbəyə görə ən yaxşı nəticə Regression Ensemble: Bagged Trees modeli ilə əldə edilmişdir.

Tədqiqatda üç universitet binasına aid təxminən 10 aylıq elektrik istehlakı qeydlərindən istifadə edildiyi bildirilir. Mənbə qrafiklərində araşdırılan zaman oxu May 2022 ilə Fevral 2023 arasındadır. Verilənlər toplusunda elektrik gücü ilə yanaşı ətraf mühit temperaturu, gün və saat kimi zaman dəyişənləri də mövcuddur. Ölçmələrin nümunə cədvəlində 15 dəqiqəlik intervallarla qeydə alındığı görünür. Verilənlər MATLAB-a köçürülməzdən əvvəl çatışmayan qeydlərin düzəldilməsi və kənar dəyərlərin təmizlənməsi kimi ilkin emal addımlarının tətbiq edildiyi bildirilir.

Regression Learner müqayisəsində Bagged Trees ensemble modeli 2.2463 doğrulama RMSE-si ilə mənbə tərəfindən ən uğurlu model kimi seçilmişdir. RMSE və ya Root Mean Squared Error, model proqnozları ilə faktiki dəyərlər arasındakı fərqlərin kvadratlarının ortalamasının kvadrat köküdür və böyük proqnoz xətalarına daha yüksək çəki verir. Tədqiqatın öz mətnində hədəflənən ideal dəyərin 1,4-dən aşağı olduğu bildirilsə də, əldə edilən ən yaxşı RMSE təxminən 2,24-dür. Buna görə model hədəflənən xəta səviyyəsinə çatmamış, lakin müəlliflər nəticəni enerji planlaşdırılması məqsədləri baxımından istifadə oluna bilən hesab etmişlər.

Tədqiqatın ikinci mühüm nəticəsi MATLAB App Designer ilə hazırlanmış istifadəçi interfeysidir. Tətbiq istifadəçiyə fakültəni və tarixi seçməyə, əvvəlcədən öyrədilmiş üç fərqli bina modelindən uyğun olanını yükləməyə və proqnozlaşdırılan elektrik gücü ilə cərəyan dəyərlərini ekranda göstərməyə imkan verir. Beləliklə, maşın öyrənməsi modelinin yalnız analiz mühitində saxlanması əvəzinə əməliyyat yönümlü proqnozlaşdırma alətinə çevrilməsi hədəflənmişdir.

Bununla belə, tədqiqatda Bagged Trees hiperparametrləri, çarpaz doğrulamadakı k dəyəri, ayrı-ayrı binaların müstəqil RMSE dəyərləri, ədədi R² nəticəsi və xarici test toplusu kimi təkrar istehsal oluna bilmə baxımından mühüm detallar verilmir. Bundan əlavə, verilənlər dövrünün müxtəlif bölmələrdə 2022 daxilindəki 10 ay, May 2022–Fevral 2023 və May–İyun–İyul kimi fərqli şəkildə təsvir edilməsi mənbə daxilində zaman aralığı uyğunsuzluğu yaradır.

Universitet Binalarının Elektrik İstehlakını Proqnozlaşdırmaq Niyə Çətindir?

Universitet binalarında elektrik istehlakı yalnız saatın və ya xarici temperaturun sadə funksiyası deyil. Mənbə tədqiqat istifadəçi hərəkətliliyi, dərs və inzibati fəaliyyətlər, fərqli otaq növləri, pəncərə quruluşları və xüsusilə kondisioner istifadəsi kimi bir çox amilin elektrik tələbatını dəyişə bildiyini vurğulayır. Buna görə eyni bina fərqli günlərdə və ya eyni günün fərqli saatlarında xeyli fərqli güc profilləri göstərə bilər.

Proqnoz modeli keçmiş ölçmələrdə təkrarlanan nümunələri öyrənərək gələcək zaman nöqtələrində gözlənilən güc tələbatını proqnozlaşdırmağa çalışır. Buradakı məqsəd yalnız ümumi enerji istehlakını geriyə dönük izah etmək deyil, gələcəkdə yarana biləcək elektrik tələbatını əvvəlcədən proqnozlaşdıraraq enerji idarəetməsini və planlaşdırmanı dəstəkləməkdir.

Tədqiqatda araşdırılan üç fakültə

Mənbə App Designer interfeysində üç ayrı fakültə modeli mövcuddur:

• Facultad de Ingeniería Naval,
• Facultad de Administración de Empresas,
• Facultad de Ciencias de la Educación.

Mənbə hər bina/fakültə üçün verilənlərin ayrıca hazırlanaraq Regression Learner daxilində üç müstəqil model yaradıldığını bildirir.

Regression Learner Bu Tədqiqatda Nə Edir?

Regression Learner keçmiş ölçmələrdən elektrik gücü ilə zaman və ətraf mühit dəyişənləri arasındakı əlaqəni öyrənmək üçün bir neçə reqressiya alqoritmini eyni iş mühitində qiymətləndirir. İstifadəçi verilənlər toplusunu yükləyir, proqnozlaşdırılacaq hədəf dəyişənini və predictor dəyişənlərini seçir, müxtəlif modelləri öyrədir və RMSE kimi doğrulama meyarlarına əsasən ən uyğun yanaşmanı müəyyənləşdirir.

Mənbədə istifadə olunan əsas dəyişənlər

Tədqiqatın müxtəlif bölmələrində model girişləri kimi:

• tarix,
• saat,
• gün,
• ay,
• il,
• ətraf mühit temperaturu

kimi dəyişənlərdən bəhs edilir.

Hədəf dəyişəni isə elektrik gücüdür.

PDF-nin 11. səhifəsindəki Regression Learner dəyişən seçimi ekranında Fecha, Hora və Temperatura predictor kimi işarələnərkən Potencia ayrıca hədəf dəyişəni kimi istifadə olunur.

Nümunə 15 dəqiqəlik ölçmələr

Bu nümunə ən azı yayımlanmış cədvəl bölməsində ölçmələrin 15 dəqiqəlik ayırdetmə ilə saxlanıldığını göstərir.

Bagged Trees Modeli Enerji İstehlakını Necə Proqnozlaşdırır?

Bagged Trees yanaşması tək bir qərar ağacına güvənmək əvəzinə eyni təlim verilənlərindən yenidən nümunələmə yolu ilə yaradılan çoxsaylı qərar ağaclarının proqnozlarını birləşdirir. Tək bir ağacın müəyyən təlim nümunələrinə həddindən artıq uyğunlaşma meyli ensemble ortalaması ilə azaldılmağa çalışılır; beləliklə modelin yeni verilənlərə qarşı daha sabit olması hədəflənir.

Tək qərar ağacının problemi

Mənbə izahında qərar ağacının, məsələn, temperatur və saat üzərindən:

• temperatur 30 °C-dən yuxarıdırsa və saat 14:00-dırsa yüksək istehlak,
• temperatur 20 °C-dən aşağıdırsa və saat 07:00-dırsa aşağı istehlak

kimi qaydalar öyrənə biləcəyi bildirilir.

Lakin tək ağacın təlim verilənlərindəki dəqiq bölünmələrə həddindən artıq uyğunlaşması yüksək dispersiyaya səbəb ola bilər. Bagging üsulu fərqli bootstrap nümunələrində çoxsaylı ağac yaradaraq bu problemi azaltmağı hədəfləyir.

Bagged Trees-in riyazi formullaşdırılması

Mənbə təlim verilənlər toplusunu:

kimi müəyyən edir.

Burada \(x_i\) temperatur və saat kimi xüsusiyyətləri, \(y_i\) isə proqnozlaşdırılmaq istənən elektrik istehlakını təmsil edir.

Daha sonra əvəzləmə ilə nümunələmə yolu ilə:

bootstrap verilənlər topluları yaradılır.

Hər verilənlər toplusu üzərində ayrıca qərar ağacı \(h_b(x)\) öyrədildikdən sonra ensemble proqnozu:

şəklində hesablanır.

Yəni yekun elektrik istehlakı proqnozu tək ağacın çıxışından deyil, bütün ağacların proqnozlarının ortalamasından ibarətdir.

Tədqiqatın Metodu və Nəticələri

Verilənlərin toplanması və hazırlanması

Mənbə tədqiqatın metod zənciri aşağıdakı kimi xülasə edilə bilər:

1. Üç akademik binadan elektrik istehlakı verilənlərinin toplanması.
2. Zaman və ətraf mühit temperaturu məlumatlarının verilənlər toplusuna əlavə edilməsi.
3. Çatışmayan qeydlərin düzəldilməsi.
4. Kənar dəyərlərin təmizlənməsi.
5. Verilənlərin fakültə əsasında ayrılması.
6. Zaman məlumatlarının proqnoz girişlərinə çevrilməsi.
7. Hər fakültə üçün müstəqil Regression Learner modelinin yaradılması.
8. Müxtəlif reqressiya alqoritmlərinin öyrədilməsi.
9. Çarpaz doğrulama ilə performansın qiymətləndirilməsi.
10. Ən yaxşı model kimi Bagged Trees-in seçilməsi.
11. Öyrədilmiş modellərin App Designer tətbiqinə köçürülməsi.

Mənbə təmizləmə əməliyyatının aparıldığını bildirsə də, hansı kənar dəyər üsulunun istifadə edildiyini və ya çatışmayan verilənlərin hansı üsulla tamamlandığını açıqlamır.

Həftəlik orta güc davranışı

PDF-nin 7. səhifəsindəki Şəkil 1, Facultad de Administración de Empresas üçün May 2022-dən Fevral 2023-ə qədər uzanan həftəlik orta güc seriyasını göstərir.

Mənbə aşağıdakı əsas davranışları vurğulayır:

• May dövründə yüksək tələbat nöqtələri,
• Sentyabr ətrafında yenidən yüksələn istehlak,
• Yanvar ətrafında 10 kW-dan yuxarı qalxan həftəlik piklər,
• Avqustun əvvəlində 0 kW-a yaxınlaşan istehlak vadisi,
• Noyabrın əvvəlində ikinci çox aşağı istehlak dövrü.

Müəlliflər çox aşağı istehlak dövrlərini akademik fəaliyyətin azalması, tətil və ya binanın aşağı doluluğu kimi səbəblərlə əlaqələndirirlər.

Lakin tədqiqatda birbaşa doluluq sensoru və ya akademik fəaliyyət dəyişəni olmadığı üçün bu izah müəlliflərin şərhidir.

Həftəlik temperatur davranışı

Şəkil 2-də həftəlik orta temperatur təxminən:

intervalında dəyişir.

Mənbəyə görə:

• 15 May ətrafında təxminən 21,7 °C,
• 22 May 2022-də 23,37 °C,
• 31 İyulda 23,74 °C,
• 28 Avqustda 21,80 °C,
• 6 Noyabrda 23,98 °C,
• 4 Dekabrda 25,70 °C,
• 1 Yanvar 2023-də 27,26 °C

dəyərləri mövcuddur.

Güc və temperatur birlikdə qiymətləndirildikdə

PDF-nin 8. səhifəsindəki Şəkil 3 iki dəyişəni eyni zaman oxunda göstərir.

Mənbə iki fərqli davranış bölgəsini şərh edir.

Aşağı fəaliyyət dövrləri: Güc istehlakının 0 kW-a yaxınlaşdığı bəzi həftələrdə temperatur oxşar şəkildə azalmır. Buna görə mənbə həddindən artıq aşağı istehlakı temperaturdan daha çox akademik fəaliyyət və ya doluluqla əlaqələndirir.

Daha isti dövr: Noyabrdan sonra temperaturun yüksəlməsi ilə bəzi güc istehlakı piklərinin də yüksəldiyi görünür. Müəlliflər bunu kondisioner istifadəsinin artması ilə əlaqələndirirlər.

Bununla belə, mənbə faktiki korrelyasiya əmsalı, reqressiya əmsalı və ya kondisioner istifadə ölçməsi təqdim etmədiyi üçün temperaturun istehlaka müstəqil təsirinin ölçüsü kəmiyyətcə müəyyən edilmir.

RMSE = 2.2463 Nə Deməkdir?

RMSE proqnozlaşdırılan elektrik gücü ilə faktiki ölçmə arasındakı xəta böyüklüyünü bir ədəd üzərindən ümumiləşdirir. Dəyər kiçildikcə modelin proqnozları verilənlər toplusundakı faktiki dəyərlərə daha yaxın olur; lakin RMSE-nin yaxşı və ya pis olması hədəf dəyişəninin miqyası, tətbiqin xəta tolerantlığı və daha sadə modellərlə aparılan müqayisə nəzərə alınmaqla qiymətləndirilməlidir.

Mənbədə verilən RMSE formulu

Burada:

• \(y_i\): faktiki ölçmə,
• \(\hat y_i\): model proqnozu,
• \(n\): müşahidə sayıdır.

PDF-nin 11. səhifəsindəki Regression Learner ekranında:

RMSE (Validation) = 2.2463

görünür.

Tədqiqatın öz hədəfi ilə müqayisə

Mənbə mətn başlanğıcda RMSE-nin:

olmasını gözlədiklərini bildirir.

Lakin əldə edilən ən yaxşı dəyər:

olmuşdur.

Beləliklə, nəticə gözlənilən hədəfdən yuxarıdır.

%7,46 Xəta Tədqiqatın Həqiqi Xəta Nisbətidirmi?

Xeyr. Mənbədə verilən %7,46 hesabı faktiki verilənlər toplusunun yayımlanmış orta istehlakından əldə edilməyib; müəlliflər izah məqsədilə orta istehlakın 30 kW olduğunu fərz edirlər. Buna görə %7,46 yalnız fərziyyəyə əsaslanan nisbi xəta nümunəsidir və Bagged Trees modelinin ölçülmüş dəqiqlik faizi kimi istifadə edilməməlidir.

Mənbədə istifadə olunan nümunə

Fərziyyə olaraq:

götürüldükdə:

alınır.

Mənbə həmçinin faktiki orta istehlak 50 kW olsaydı:

olacağını göstərir.

Bu nümunələr nisbi xətanın istifadə olunan normallaşdırma dəyərindən asılı olduğunu göstərir; bu, birbaşa model performansı nəticəsi deyil.

Mənbə daxilindəki 2,91 RMSE problemi

Eyni bölmədə mənbə qəfil:

RMSE = 2,91 → təxminən %9,7

ifadəsindən istifadə edir.

Riyazi olaraq:

doğrudur.

Lakin tədqiqatın Regression Learner ekranında əldə edilən dəyər 2,2463-dür. 2,91-in hansı modeldən gəldiyi açıqlanmadığı üçün bu ədəd əsas nəticə kimi istifadə edilə bilməz.

Həqiqi və Proqnozlaşdırılan Güc Dəyərləri Necə Müqayisə Edilir?

Mənbədə faktiki güc ölçmələri ilə reqressiya modelinin proqnozları eyni qrafikdə müqayisə edilir. Mətnə görə mavi nöqtələr faktiki elektrik gücü ölçmələrini, sarı nöqtələr isə model proqnozlarını təmsil edir. Məqsəd modelin zaman daxilində istehlak profilini nə dərəcədə izləyə bildiyini vizual olaraq qiymətləndirməkdir.

Lakin mənbə bu qrafik üçün ayrıca:

• MAE,
• maximum error,
• bias,
• R²,
• prediction interval

dəyərlərini vermir.

App Designer Enerji Proqnozunu Necə İstifadə Oluna Bilən Hala Gətirir?

Tədqiqatda yaradılmış App Designer tətbiqi MATLAB komanda sətrindən və ya Regression Learner interfeysindən istifadə etməyə ehtiyac olmadan öyrədilmiş proqnoz modellərinə çıxışı təmin edir. İstifadəçi fakültəni və tarixi seçir, tətbiq müvafiq öyrədilmiş modeli yükləyərək proqnozlaşdırılan güc və cərəyan dəyərlərini interfeysdə göstərir.

Tətbiqin əsas istifadəçi axını

1. Fakültə seçilir.
2. Gün, ay, saat və dəqiqə məlumatları daxil edilir.
3. “Calcular” əməliyyatı başladılır.
4. Seçilmiş fakültəyə aid model yüklənir.
5. Güc proqnozu hesablanır.
6. Güc dəyərindən cərəyan hesabı aparılır.
7. Nəticələr interfeysdə göstərilir.

PDF-nin 14. səhifəsindəki nümunə ekranda tətbiq proqnozlaşdırılan güc və cərəyan dəyərlərini ayrı sahələrdə göstərir.

Niyə üç ayrı model?

Mənbə verilənləri fakültə əsasında ayrıca hazırlayır. Bunun səbəbi fərqli akademik binaların:

• iş saatları,
• istifadəçi sıxlığı,
• kondisioner istifadə formaları,
• elektrik yük profilləri

baxımından fərqli davrana bilməsidir.

Buna görə bir universal kampus modeli əvəzinə üç müstəqil model istifadə edilmişdir.

Model Yeni Universitet Binalarında Birbaşa İstifadə Oluna Bilərmi?

Mənbənin mövcud tətbiqi üç binadan toplanmış verilənlərə əsasən hazırlanmışdır. Sistemə yeni bina əlavə ediləcəksə, həmin binanın istehlak davranışını təmsil edən yeni verilənlərin toplanması və modelin yenidən öyrədilməsi tələb olunur; mövcud üç binanın modeli fərqli istifadə rejiminə malik yeni bir quruluşda eyni performansı avtomatik olaraq təmin etmir.

Mənbənin dəstəklədiyi nəticələr

• MATLAB Regression Learner universitet elektrik istehlakı verilənlərinə tətbiq oluna bilər.
• Zaman və temperatur dəyişənləri enerji tələbatının proqnozlaşdırılmasında istifadə oluna bilər.
• Mənbədə qiymətləndirilən modellər arasında Bagged Trees ən aşağı bildirilən RMSE-ni vermişdir.
• Bagged Trees doğrulama RMSE-si 2.2463 kimi göstərilmişdir.
• Elektrik istehlakı il boyu nəzərəçarpacaq həftəlik dəyişkənlik göstərir.
• Bəzi aşağı istehlak dövrləri temperatur dəyişməsindən müstəqil görünür.
• İsti dövrdə istehlak və temperatur birlikdə yüksələn dövrlər göstərir.
• Öyrədilmiş modellər App Designer əsaslı istifadəçi tətbiqinə inteqrasiya edilə bilmişdir.

Tədqiqatın təkbaşına dəstəkləmədiyi nəticələr

• Modelin faktiki xəta faizinin %7,46 olduğu göstərilməmişdir.
• Modelin RMSE-sinin 1,4-dən aşağı olduğu göstərilməmişdir.
• R² üçün ədədi uğur dəyəri yayımlanmamışdır.
• Temperaturun istehlak dəyişməsinin müəyyən faizinə səbəb olduğu göstərilməmişdir.
• Kondisioner istifadəsinin birbaşa ölçülmüş təsiri verilmir.
• Bütün universitet binalarında eyni modelin eyni dəqiqliyi verəcəyi göstərilməmişdir.
• Real vaxtlı gələcək tarix proqnozlarında müstəqil sahə doğrulaması təqdim edilməmişdir.
• Daha çox verilən əlavə edildikdə dəqiqliyin mütləq artacağı eksperimental olaraq göstərilməmişdir.

Tədqiqatın güclü tərəfləri

Tədqiqatın ilk güclü tərəfi real bina istehlakı ölçmələrini maşın öyrənməsi modeli ilə birləşdirməsidir. Model tamamilə sintetik enerji profilinə əsaslanmır.

İkinci güclü tərəf istehlak verilənlərini temperatur və zaman məlumatları ilə əlaqələndirməsidir. Beləliklə, elektrik tələbatının yalnız keçmiş güc dəyərlərindən ibarət olmadığı nəzərə alınır.

Üçüncü güclü tərəf müxtəlif Regression Learner alqoritmlərinin müqayisə edilməsi və tək modelin əvvəldən seçilməməsidir.

Dördüncü güclü tərəf modelin App Designer vasitəsilə son istifadəçiyə yönəlmiş interfeysə çevrilməsidir. Bu, maşın öyrənməsi analizini praktik istifadə ssenarisinə yaxınlaşdırır.

Tədqiqatın əsas məhdudiyyətləri

Verilənlər dövrünün məqalənin müxtəlif bölmələrində fərqli ifadə edilməsi mühüm hesabat problemidir. Ən görünən qrafiklər May 2022 ilə Fevral 2023 arasını göstərir.

Ölçmə ayırdetməsi də bəzi bölmələrdə saatlıq, nümunə cədvəldə isə 15 dəqiqəlik kimi təqdim olunur.

Bagged Trees-in hiperparametrləri açıqlanmayıb.

Çarpaz doğrulamanın k dəyəri göstərilməyib.

Model performansı üçün R² istifadə olunacağı bildirilib, lakin nəticə dəyəri verilməyib.

Üç binanın ayrı performanslarının müqayisəli cədvəli təqdim edilmir.

Xarici və tamamilə görünməmiş test dövrü üzərində performans verilmir.

Mənbənin %7,46 və %4,48 nümunələri fərziyyəyə əsaslanan orta istehlak dəyərlərindən asılıdır.

2,91 RMSE ifadəsi əsas 2,2463 nəticəsindən izah edilməyən şəkildə fərqlənir.

Mənbə və Metod Qeydi

• Özgün başlıq: Predicción de Consumo Energético en Edificios Universitarios usando la aplicación Regression Learner de MATLAB
• İngiliscə başlıq: Predicting Energy Consumption in University Buildings Using the Regression Learner App in MATLAB
• Müəllif 1: Kenneth Wladimir Masabanda Macay
• Müəllif 2: Edisson Daniel Segovia Muñoz
• Müəllif 3: Erick José Alcivar Villamarin
• Müəllif 4: Washington Xavier García Quilachamin
• Qurum: Universidad Laica Eloy Alfaro de Manabí, Manta, Ecuador
• Jurnal: Ciencias de la Ingeniería y Aplicadas
• Nəşr edən qurum: Universidad Técnica de Cotopaxi
• Cild: 10
• Sayı: 1
• Səhifələr: 128–144
• Nəşr dövrü: Yanvar–İyun 2026
• DOI: 10.61236/ciya.v10i1.1240
• Alınma tarixi: 24 Oktyabr 2025
• Reviziya qəbul tarixi: 28 Dekabr 2025
• Rəsmi nəşr tarixi: 16 Yanvar 2026
• Məqalə növü: Tədqiqat məqaləsi
• Mənbə növü: Universitet enerji istehlakı verilənləri + nəzarətli reqressiya + MATLAB tətbiq hazırlanması
• Əsas proqram təminatı: MATLAB Regression Learner
• Tətbiqin hazırlanması: MATLAB App Designer
• Seçilmiş model: Regression Ensemble — Bagged Trees
• Bildirilən ən yaxşı doğrulama RMSE-si: 2.2463
• Rəsmi keçid:https://doi.org/10.61236/ciya.v10i1.1240

Mənbədaxili verilən və metrik bütövlüyü qeydi

Məqalənin verilənlər dövrü müxtəlif bölmələrdə “2022 ili daxilindəki 10 ay”, “May 2022–Fevral 2023” və “May, İyun və İyul” kimi fərqli şəkildə müəyyən edilir. Ölçmə tezliyi də bir bölmədə saatlıq kimi ifadə olunarkən nümunə cədvəl 15 dəqiqəlik qeydlər göstərir. Bu fərqlər müstəqil təkrar istehsalda aydınlaşdırılmalıdır.

Regression Learner ekranındakı əsas performans dəyəri RMSE=2.2463-dür. Mətndəki %7,46 və %4,48 xəta nisbətləri faktiki verilənlərin ortalamasından deyil, müvafiq olaraq 30 və 50 kW fərziyyələrindən hesablanmışdır. Eyni bölmədə istifadə edilən RMSE=2,91 dəyəri isə əsas model nəticəsi ilə uyğun gəlmir.

Modelin təkrar istehsal oluna bilməsi qeydi

Mənbə k-fold cross-validation, hiperparametr optimallaşdırılması və müxtəlif reqressiya alqoritmlərinin müqayisə edildiyini bildirir; lakin istifadə olunan k dəyəri, Bagged Trees-in ağac sayı, yarpaq ölçüsü, bootstrap parametrləri, random seed və yekun hiperparametr dəsti yayımlanmır. Buna görə modeli mənbə mətnindən eynilə yenidən qurmaq üçün orijinal MATLAB sessiyası və ya öyrədilmiş model faylları tələb olunur.

Elmi şərh sərhədi

Tədqiqat keçmiş istehlak və ətraf mühit/zaman verilənlərindən istifadə etməklə konkret üç universitet binasının elektrik tələbatının maşın öyrənməsi ilə modelləşdirilə bildiyini göstərir. RMSE=2.2463 nəticəsi tədqiqat daxilindəki doğrulama şərtlərinə aiddir və yeni kampuslar, fərqli iqlimlər və ya fərqli istifadə profilləri üçün eyni performansı təmin etmir. Enerji qənaəti və ya karbon emissiyasının azalması da birbaşa ölçülmüş tədqiqat nəticələri deyil; bunlar proqnozların daha yaxşı enerji planlaşdırılmasına töhfə verə biləcəyinə dair tətbiq məqsədləridir.