Бул изилдөө Universidad Laica Eloy Alfaro de Manabí курамындагы үч академиялык имараттын электр кубатын керектөөсүн мурунку өлчөөлөр, убакыт маалыматы жана температуралык маалыматтар аркылуу болжолдоо үчүн MATLAB Regression Learner тиркемесин колдонот. Regression Learner — ар түрдүү регрессиялык алгоритмдерди бир эле маалыматтар топтомунда үйрөтүүгө, кайчылаш текшерүү аркылуу салыштырууга жана алынган моделдерди кийин MATLAB кодунда же башка тиркемелерде колдонуу үчүн экспорттоого мүмкүндүк берген машиналык үйрөнүү куралы. Изилдөөдө сызыктуу жана полиномдук регрессия, Support Vector Machine жана ensemble ыкмаларын камтыган ар кандай варианттар бааланган; булак боюнча эң жакшы натыйжа Regression Ensemble: Bagged Trees модели менен алынган.

Изилдөөдө үч университеттик имаратка тиешелүү болжол менен 10 айлык электр энергиясын керектөө жазуулары пайдаланылганы айтылат. Булактагы графиктерде каралган убакыт огу Май 2022 менен Февраль 2023 аралыгын камтыйт. Маалыматтар топтомунда электр кубатынан тышкары айлана-чөйрөнүн температурасы, күн жана саат сыяктуу убакыттык өзгөрмөлөр бар. Өлчөөлөрдүн үлгү таблицасында алар 15 мүнөттүк интервалдар менен катталганын көрүүгө болот. Маалыматтар MATLAB'га өткөрүлөрдөн мурда жетишпеген жазууларды оңдоо жана четтөөчү маанилерди тазалоо сыяктуу алдын ала иштетүү кадамдары колдонулганы көрсөтүлөт.

Regression Learner салыштыруусунда Bagged Trees ensemble модели 2.2463 валидациялык RMSE менен булак тарабынан эң ийгиликтүү модель катары тандалган. RMSE же Root Mean Squared Error — модель божомолдору менен чыныгы маанилердин айырмаларынын квадраттарынын орточо маанисинин квадраттык тамыры жана чоң божомол каталарына жогору салмак берет. Изилдөөнүн өз текстинде көздөлгөн идеалдуу маанинин 1,4төн төмөн болушу айтылганына карабастан, жетишилген эң жакшы RMSE болжол менен 2,24тү түзөт. Ошондуктан модель көздөлгөн ката деңгээлине жеткен эмес, бирок авторлор натыйжаны энергияны пландаштыруу максаттары үчүн колдонууга жарактуу деп баалашкан.

Изилдөөнүн экинчи маанилүү натыйжасы — MATLAB App Designer менен даярдалган колдонуучу интерфейси. Тиркеме колдонуучуга факультетти жана датаны тандоого, мурда үйрөтүлгөн үч башка имарат моделинин тиешелүүсүн жүктөөгө жана болжолдонгон электр кубаты менен ток маанилерин экранда көрсөтүүгө мүмкүндүк берет. Ошентип, машиналык үйрөнүү моделин талдоо чөйрөсүндө гана калтырбастан, аны операциялык божомолдоо куралына айландыруу көздөлгөн.

Ошол эле учурда изилдөөдө Bagged Trees гиперпараметрлери, кайчылаш текшерүүдөгү k мааниси, өзүнчө имараттардын көз карандысыз RMSE маанилери, сандык R² натыйжасы жана тышкы тесттик топтом сыяктуу кайра өндүрүүгө маанилүү деталдар берилген эмес. Мындан тышкары, маалыматтар мезгилинин ар башка бөлүмдөрдө 2022 ичиндеги 10 ай, Май 2022–Февраль 2023 жана Май–Июнь–Июль түрүндө ар башка аныкталышы булактын ичинде убакыт аралыгы боюнча шайкешсиздик жаратат.

Университет Имараттарынын Электр Керектөөсүн Болжолдоо Эмне Үчүн Кыйын?

Университет имараттарындагы электр керектөө сааттын же сырткы температуранын жөнөкөй функциясы гана эмес. Булактагы изилдөө колдонуучулардын кыймылдуулугу, сабак жана административдик иш-аракеттер, ар башка бөлмө түрлөрү, терезе түзүлүштөрү жана өзгөчө кондиционерди колдонуу сыяктуу көптөгөн факторлор электр талабын өзгөртө аларын баса белгилейт. Ошондуктан бир эле имарат ар башка күндөрдө же ошол эле күндүн ар башка сааттарында кыйла айырмаланган кубат профилдерин көрсөтүшү мүмкүн.

Божомолдоо модели мурунку өлчөөлөрдөгү кайталануучу мыйзам ченемдерди үйрөнүп, келечектеги убакыт чекиттеринде күтүлгөн кубат талабын болжолдоого аракет кылат. Бул жердеги максат жалпы энергия керектөөсүн артка карай гана түшүндүрүү эмес, келечекте пайда болушу мүмкүн болгон электр талабын алдын ала болжолдоп, энергияны башкарууну жана пландаштырууну колдоо.

Изилдөөдө каралган үч факультет

Булактагы App Designer интерфейсинде үч өзүнчө факультет модели бар:

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

Булак ар бир имарат/факультет үчүн маалыматтар өзүнчө даярдалып, Regression Learner ичинде үч көз карандысыз модель түзүлгөнүн билдирет.

Regression Learner Бул Изилдөөдө Эмне Кылат?

Regression Learner мурунку өлчөөлөрдөн электр кубаты менен убакыт жана айлана-чөйрө өзгөрмөлөрүнүн ортосундагы байланышты үйрөнүү үчүн бир нече регрессиялык алгоритмди бир иш чөйрөсүндө баалайт. Колдонуучу маалыматтар топтомун жүктөйт, болжолдончу максаттуу өзгөрмөнү жана predictor өзгөрмөлөрүн тандайт, ар башка моделдерди үйрөтөт жана RMSE сыяктуу валидация көрсөткүчтөрү боюнча эң ылайыктуу ыкманы аныктайт.

Булакта колдонулган негизги өзгөрмөлөр

Изилдөөнүн ар башка бөлүмдөрүндө моделдин киргизүүчү өзгөрмөлөрү катары:

• дата,
• саат,
• күн,
• ай,
• жыл,
• айлана-чөйрөнүн температурасы

сыяктуу өзгөрмөлөр айтылат.

Максаттуу өзгөрмө болсо электр кубаты.

PDF'нин 11. бетиндеги Regression Learner өзгөрмө тандоо экранында Fecha, Hora жана Temperatura predictor катары белгиленип, Potencia өзүнчө максаттуу өзгөрмө катары колдонулат.

Үлгү 15 мүнөттүк өлчөөлөр

Бул үлгү жок дегенде жарыяланган таблица бөлүмүндө өлчөөлөр 15 мүнөттүк чечилиште сакталганын көрсөтөт.

Bagged Trees Модели Энергия Керектөөсүн Кантип Болжолдойт?

Bagged Trees ыкмасы бир эле чечим дарагына таянбастан, ошол эле окутуу маалыматтарынан кайра үлгүлөө жолу менен түзүлгөн көптөгөн чечим дарактарынын божомолдорун бириктирет. Бир дарактын белгилүү бир окутуу үлгүлөрүнө ашыкча ылайыкташуу тенденциясын ensemble орточосу аркылуу азайтууга аракет кылынат; муну менен моделдин жаңы маалыматтарга карата туруктуураак болушу көздөлөт.

Бир чечим дарагынын көйгөйү

Булактагы түшүндүрмөдө чечим дарагы, мисалы, температура жана саат боюнча:

• температура 30 °Cден жогору болсо жана саат 14:00 болсо жогорку керектөө,
• температура 20 °Cден төмөн болсо жана саат 07:00 болсо төмөн керектөө

сыяктуу эрежелерди үйрөнүшү мүмкүн экени айтылат.

Бирок бир дарактын окутуу маалыматтарындагы так бөлүнүүлөргө ашыкча ылайыкташуусу жогорку дисперсияга алып келиши мүмкүн. Bagging ыкмасы ар башка bootstrap үлгүлөрүндө көптөгөн дарактарды түзүп, бул көйгөйдү азайтууну максат кылат.

Bagged Treesтин математикалык формулировкасы

Булак окутуу маалыматтар топтомун:

деп аныктайт.

Бул жерде \(x_i\) температура жана саат сыяктуу белгилерди, \(y_i\) болсо болжолдонууга тийиш болгон электр керектөөсүн билдирет.

Андан кийин ордуна коюп үлгүлөө жолу менен:

bootstrap маалымат топтомдору түзүлөт.

Ар бир маалымат топтомунда өзүнчө чечим дарагы \(h_b(x)\) үйрөтүлгөндөн кийин ensemble божомолу:

түрүндө эсептелет.

Башкача айтканда, акыркы электр керектөөсүнүн божомолу бир дарактын жыйынтыгынан эмес, бардык дарактардын божомолдорунун орточосунан түзүлөт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалыматтарды чогултуу жана даярдоо

Булактагы изилдөөнүн ыкмалар чынжырын төмөнкүдөй жыйынтыктоого болот:

1. Үч академиялык имараттан электр керектөө маалыматтарын чогултуу.
2. Убакыт жана айлана-чөйрөнүн температурасы тууралуу маалыматтарды топтомго кошуу.
3. Жетишпеген жазууларды оңдоо.
4. Четтөөчү маанилерди тазалоо.
5. Маалыматтарды факультеттер боюнча бөлүү.
6. Убакыт маалыматтарын божомол киргизүүлөрүнө айлантуу.
7. Ар бир факультет үчүн көз карандысыз Regression Learner моделин түзүү.
8. Ар кандай регрессиялык алгоритмдерди үйрөтүү.
9. Кайчылаш текшерүү менен иштөө натыйжалуулугун баалоо.
10. Эң жакшы модель катары Bagged Treesти тандоо.
11. Үйрөтүлгөн моделдерди App Designer тиркемесине өткөрүү.

Булак тазалоо жүргүзүлгөнүн айтат, бирок кайсы четтөөчү маани ыкмасы колдонулганын же жетишпеген маалыматтар кайсы ыкма менен толукталганын түшүндүрбөйт.

Апталык орточо кубаттын жүрүм-туруму

PDF'нин 7. бетиндеги 1-сүрөт Facultad de Administración de Empresas үчүн Май 2022ден Февраль 2023кө чейинки апталык орточо кубат сериясын көрсөтөт.

Булак төмөнкү негизги көрүнүштөрдү баса белгилейт:

• Май мезгилиндеги жогорку талап чекиттери,
• Сентябрь айланасында кайра жогорулаган керектөө,
• Январь айланасында 10 kWдан жогору чыккан апталык чокулар,
• Август башында 0 kWга жакындаган керектөө өрөөнү,
• Ноябрь башындагы экинчи өтө төмөн керектөө мезгили.

Авторлор өтө төмөн керектөө мезгилдерин академиялык активдүүлүктүн азайышы, эс алуу же имараттын аз толушу сыяктуу себептер менен байланыштырышат.

Бирок изилдөөдө түздөн-түз толуктук сенсору же академиялык активдүүлүк өзгөрмөсү жок болгондуктан, бул түшүндүрмө авторлордун жоромолу болуп саналат.

Апталык температуранын жүрүм-туруму

2-сүрөттө апталык орточо температура болжол менен:

аралыгында өзгөрөт.

Булак боюнча:

• 15 Май айланасында болжол менен 21,7 °C,
• 22 Май 2022де 23,37 °C,
• 31 Июльда 23,74 °C,
• 28 Августта 21,80 °C,
• 6 Ноябрьда 23,98 °C,
• 4 Декабрьда 25,70 °C,
• 1 Январь 2023тө 27,26 °C

маанилери бар.

Кубат менен температура чогуу бааланганда

PDF'нин 8. бетиндеги 3-сүрөт эки өзгөрмөнү бир убакыт огунда көрсөтөт.

Булак жүрүм-турумдун эки башка аймагын чечмелейт.

Төмөн активдүүлүк мезгилдери: Кубат керектөөсү 0 kWга жакындаган айрым апталарда температура ушундай эле деңгээлде төмөндөбөйт. Ошондуктан булак өтө төмөн керектөөнү температурадан көбүрөөк академиялык активдүүлүк же толуктук менен байланыштырат.

Жылуураак мезгил: Ноябрьdan кийин температура жогорулаганда айрым кубат керектөө чокулары да жогорулаганы көрүнөт. Авторлор муну кондиционерди колдонуунун көбөйүшү менен байланыштырышат.

Ошол эле учурда булак чыныгы корреляция коэффициентин, регрессия коэффициентин же кондиционер колдонуу өлчөмүн бербегендиктен, температуранын керектөөгө көз карандысыз таасиринин көлөмү сандык түрдө аныкталбайт.

RMSE = 2.2463 Эмнени Билдирет?

RMSE болжолдонгон электр кубаты менен чыныгы өлчөөнүн ортосундагы ката чоңдугун бир сан менен жыйынтыктайт. Маани азайган сайын моделдин божомолдору маалыматтар топтомундагы чыныгы маанилерге жакындайт; бирок RMSEнин жакшы же жаман экенин максаттуу өзгөрмөнүн масштабы, колдонмонун катага чыдамдуулугу жана жөнөкөй моделдер менен салыштыруу эске алынып баалоо керек.

Булакта берилген RMSE формуласы

Бул жерде:

• \(y_i\): чыныгы өлчөө,
• \(\hat y_i\): моделдин божомолу,
• \(n\): байкоолордун саны.

PDF'нин 11. бетиндеги Regression Learner экранында:

RMSE (Validation) = 2.2463

көрсөтүлгөн.

Изилдөөнүн өз максаты менен салыштыруу

Булактагы текст башында RMSE:

болушу күтүлгөнүн айтат.

Бирок алынган эң жакшы маани:

болгон.

Демек, натыйжа күтүлгөн максаттан жогору.

%7,46 Ката Изилдөөнүн Чыныгы Ката Көрсөткүчүбү?

Жок. Булакта берилген %7,46 эсептөөсү чыныгы маалыматтар топтомунун жарыяланган орточо керектөөсүнөн алынган эмес; авторлор түшүндүрүү максатында орточо керектөөнү 30 kW деп болжолдошкон. Ошондуктан %7,46 — шарттуу салыштырма ката мисалы гана жана Bagged Trees моделинин өлчөнгөн тактык пайызы катары колдонулбашы керек.

Булакта колдонулган мисал

Шарттуу түрдө:

деп алынганда:

алынат.

Булак ошондой эле чыныгы орточо керектөө 50 kW болгондо:

болорун көрсөтөт.

Бул мисалдар салыштырма ката колдонулган нормалдаштыруу маанисине көз каранды экенин көрсөтөт; бул түздөн-түз моделдин иштөө натыйжасы эмес.

Булактын ичиндеги 2,91 RMSE көйгөйү

Ушул эле бөлүмдө булак күтүүсүздөн:

RMSE = 2,91 → болжол менен %9,7

деген билдирүүнү колдонот.

Математикалык жактан:

туура.

Бирок изилдөөнүн Regression Learner экранында алынган маани 2,2463. 2,91 кайсы моделден алынганы түшүндүрүлбөгөндүктөн, бул санды негизги натыйжа катары колдонууга болбойт.

Чыныгы жана Болжолдонгон Кубат Маанилери Кантип Салыштырылат?

Булакта чыныгы кубат өлчөөлөрү менен регрессия моделинин божомолдору бир эле графикте салыштырылат. Текст боюнча көк чекиттер чыныгы электр кубаты өлчөөлөрүн, сары чекиттер моделдин божомолдорун билдирет. Максат — моделдин убакыт ичиндеги керектөө профилин канчалык деңгээлде ээрчий аларын визуалдык баалоо.

Бирок булак бул график үчүн өзүнчө:

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

маанилерин бербейт.

App Designer Энергия Божомолун Кантип Колдонууга Жарактуу Кылат?

Изилдөөдө түзүлгөн App Designer тиркемеси MATLAB командалык сабын же Regression Learner интерфейсин колдонбостон эле үйрөтүлгөн божомолдоо моделдерине жетүүнү камсыздайт. Колдонуучу факультетти жана датаны тандайт, тиркеме тиешелүү үйрөтүлгөн моделди жүктөп, болжолдонгон кубат жана ток маанилерин интерфейсте көрсөтөт.

Тиркеменин негизги колдонуучу агымы

1. Факультет тандалат.
2. Күн, ай, саат жана мүнөт маалыматы киргизилет.
3. “Calcular” операциясы башталат.
4. Тандалган факультетке тиешелүү модель жүктөлөт.
5. Кубат божомолу эсептелет.
6. Кубат маанисинен ток эсептелет.
7. Натыйжалар интерфейсте көрсөтүлөт.

PDF'нин 14. бетиндеги үлгү экранда тиркеме болжолдонгон кубат жана ток маанилерин өзүнчө талааларда көрсөтөт.

Эмне үчүн үч өзүнчө модель?

Булак маалыматтарды факультеттер боюнча өзүнчө даярдайт. Мунун себеби ар башка академиялык имараттардын:

• иштөө сааттары,
• колдонуучулардын тыгыздыгы,
• кондиционерди колдонуу формалары,
• электр жүк профилдери

боюнча ар башка жүрүм-турум көрсөтүшү мүмкүн.

Ошондуктан бир универсалдуу кампус моделинин ордуна үч көз карандысыз модель колдонулган.

Модель Жаңы Университет Имараттарында Түз Колдонулушу Мүмкүнбү?

Булактын учурдагы тиркемеси үч имараттан чогултулган маалыматтар боюнча иштелип чыккан. Системага жаңы имарат кошулса, ал имараттын керектөө жүрүм-турумун көрсөткөн жаңы маалыматтарды чогултуу жана моделди кайра үйрөтүү керек; учурдагы үч имараттын модели башка колдонуу тартиби бар жаңы түзүлүштө ошол эле натыйжалуулукту автоматтык түрдө кепилдебейт.

Булак колдогон жыйынтыктар

• MATLAB Regression Learner университеттердин электр керектөө маалыматтарына колдонулушу мүмкүн.
• Убакыт жана температура өзгөрмөлөрүн энергия талабын болжолдоодо колдонууга болот.
• Булакта бааланган моделдердин арасында Bagged Trees эң төмөн билдирилген RMSEни берген.
• Bagged Trees валидациялык RMSEси 2.2463 катары көрсөтүлгөн.
• Электр керектөө жыл бою олуттуу апталык өзгөрмөлүүлүктү көрсөтөт.
• Айрым төмөн керектөө мезгилдери температуранын өзгөрүшүнөн көз карандысыз көрүнөт.
• Жылуу мезгилде керектөө менен температура бирге жогорулаган мезгилдер бар.
• Үйрөтүлгөн моделдер App Designer негизиндеги колдонуучу тиркемесине интеграцияланган.

Изилдөө өз алдынча колдобогон жыйынтыктар

• Моделдин чыныгы ката пайызы %7,46 экени көрсөтүлгөн эмес.
• Моделдин RMSEси 1,4төн төмөн экени көрсөтүлгөн эмес.
• R² үчүн сандык ийгилик мааниси жарыяланган эмес.
• Температура керектөөнүн өзгөрүшүнүн белгилүү бир пайызына себеп болору көрсөтүлгөн эмес.
• Кондиционерди колдонуунун түз өлчөнгөн таасири берилген эмес.
• Бардык университет имараттарында бир эле модель бирдей тактык берет деп көрсөтүлгөн эмес.
• Реалдуу убакыттагы келечектеги даталар боюнча божомолдордо көз карандысыз талаа валидациясы сунушталган эмес.
• Көбүрөөк маалымат кошулганда тактык сөзсүз жогорулай турганы эксперименттик түрдө көрсөтүлгөн эмес.

Изилдөөнүн күчтүү жактары

Изилдөөнүн биринчи күчтүү жагы — чыныгы имарат керектөө өлчөөлөрүн машиналык үйрөнүү модели менен бириктирүүсү. Модель толугу менен синтетикалык энергия профилине негизделбейт.

Экинчи күчтүү жагы — керектөө маалыматтарын температура жана убакыт маалыматы менен байланыштыруу. Ошентип, электр талабы мурунку кубат маанилеринен гана турбай турганы эске алынат.

Үчүнчү күчтүү жагы — ар кандай Regression Learner алгоритмдеринин салыштырылышы жана бир моделдин башынан эле тандалбашы.

Төртүнчү күчтүү жагы — моделдин App Designer аркылуу акыркы колдонуучуга арналган интерфейске айландырылышы. Бул машиналык үйрөнүү талдоосун практикалык колдонуу сценарийине жакындатат.

Изилдөөнүн негизги чектөөлөрү

Маалыматтар мезгилинин макаланын ар башка бөлүмдөрүндө ар башка айтылышы маанилүү отчеттуулук көйгөйү. Эң көрүнүктүү графиктер Май 2022 менен Февраль 2023 аралыгын көрсөтөт.

Өлчөө чечилиши да айрым бөлүмдөрдө сааттык, үлгү таблицада болсо 15 мүнөттүк деп берилет.

Bagged Treesтин гиперпараметрлери түшүндүрүлгөн эмес.

Кайчылаш текшерүүнүн k мааниси көрсөтүлгөн эмес.

Моделдин иштөө натыйжалуулугу үчүн R² колдонулары айтылган, бирок натыйжа мааниси берилген эмес.

Үч имараттын өзүнчө натыйжалуулугун салыштырган таблица сунушталган эмес.

Тышкы жана толугу менен мурда көрүлбөгөн тесттик мезгилдеги натыйжалуулук берилген эмес.

Булактын %7,46 жана %4,48 мисалдары шарттуу орточо керектөө маанилерине көз каранды.

2,91 RMSE билдирүүсү негизги 2,2463 натыйжасынан түшүндүрүлбөгөн түрдө айырмаланат.

Булак жана Ыкма Жөнүндө Эскертүү

• Түпнуска аталыш: Predicción de Consumo Energético en Edificios Universitarios usando la aplicación Regression Learner de MATLAB
• Англисче аталыш: Predicting Energy Consumption in University Buildings Using the Regression Learner App in MATLAB
• Автор 1: Kenneth Wladimir Masabanda Macay
• Автор 2: Edisson Daniel Segovia Muñoz
• Автор 3: Erick José Alcivar Villamarin
• Автор 4: Washington Xavier García Quilachamin
• Мекеме: Universidad Laica Eloy Alfaro de Manabí, Manta, Ecuador
• Журнал: Ciencias de la Ingeniería y Aplicadas
• Жарыялоочу мекеме: Universidad Técnica de Cotopaxi
• Том: 10
• Саны: 1
• Беттер: 128–144
• Жарыялоо мезгили: Январь–İyun 2026
• DOI: 10.61236/ciya.v10i1.1240
• Кабыл алынган дата: 24 Октябрь 2025
• Редакция кабыл алынган дата: 28 Декабрь 2025
• Расмий жарыяланган дата: 16 Январь 2026
• Макаланын түрү: Изилдөө макаласы
• Булактын түрү: Университеттин энергия керектөө маалыматы + көзөмөлдөнгөн регрессия + MATLAB тиркемесин иштеп чыгуу
• Негизги программа: MATLAB Regression Learner
• Тиркемени иштеп чыгуу: MATLAB App Designer
• Тандалган модель: Regression Ensemble — Bagged Trees
• Билдирилген эң жакшы валидациялык RMSE: 2.2463
• Расмий шилтеме:https://doi.org/10.61236/ciya.v10i1.1240

Булактагы маалыматтардын жана метрикалардын бүтүндүгү жөнүндө эскертүү

Макаладагы маалыматтар мезгили ар башка бөлүмдөрдө “2022 жыл ичиндеги 10 ай”, “Май 2022–Февраль 2023” жана “Май, Июнь жана Июль” түрүндө ар башка аныкталат. Өлчөө жыштыгы да бир бөлүмдө сааттык деп айтылса, үлгү таблица 15 мүнөттүк жазууларды көрсөтөт. Бул айырмачылыктар көз карандысыз кайра өндүрүүдө такталышы керек.

Regression Learner экранындагы негизги натыйжалуулук мааниси RMSE=2.2463. Тексттеги %7,46 жана %4,48 ката көрсөткүчтөрү чыныгы маалыматтардын орточо маанисинен эмес, тиешелүүлүгүнө жараша 30 жана 50 kW деген божомолдордон эсептелген. Ошол эле бөлүмдө колдонулган RMSE=2,91 мааниси негизги модель натыйжасы менен шайкеш келбейт.

Моделди кайра өндүрүү мүмкүнчүлүгү жөнүндө эскертүү

Булак k-fold cross-validation, гиперпараметр оптималдаштыруу жана ар кандай регрессиялык алгоритмдерди салыштыруу жүргүзүлгөнүн билдирет; бирок колдонулган k мааниси, Bagged Trees дарактарынын саны, жалбырак өлчөмү, bootstrap жөндөөлөрү, random seed жана акыркы гиперпараметр топтому жарыяланган эмес. Ошондуктан моделди булак текстинен так кайра түзүү үчүн түпнуска MATLAB сессиясы же үйрөтүлгөн модель файлдары керек.

Илимий чечмелөөнүн чеги

Изилдөө мурунку керектөө жана айлана-чөйрө/убакыт маалыматтарын колдонуу менен белгилүү үч университет имаратынын электр талабын машиналык үйрөнүү аркылуу моделдөөгө болорун көрсөтөт. RMSE=2.2463 натыйжасы изилдөөнүн ичиндеги валидация шарттарына тиешелүү жана жаңы кампустар, башка климаттар же башка колдонуу профилдери үчүн ошол эле натыйжалуулукту кепилдебейт. Энергияны үнөмдөө же көмүртек эмиссиясын азайтуу да түз өлчөнгөн изилдөө натыйжалары эмес; алар божомолдор жакшыраак энергия пландаштырууга салым кошо алат деген колдонмо максаттар болуп саналат.