Utafiti huu unatumia data za nishati ya kuchaji magari ya umeme zilizorekodiwa katika jiji la Boulder, jimbo la Colorado, katika kipindi cha 2018-2025 kutabiri mahitaji ya nishati ya kila siku na ya kila mwaka. Katika utafiti, miundo ya XGBoost na LightGBM inayotegemea miti ililinganishwa na miundo ya ujifunzaji wa kina ya CNN-LSTM na GRU; rekodi za kuchaji ziliunganishwa na vigezo vya hali ya hewa, sifa za kalenda, viashiria vya matumizi ya vituo vya kuchaji, thamani zilizocheleweshwa na takwimu za dirisha linalosogea. Katika vipimo vya utabiri wa kila siku, XGBoost ilipata matokeo bora zaidi: NMAE %6,5758, NRMSE %8,8034, R² 0,9075 na MAPE %6,6540. Hata hivyo, kwa kuwa matokeo yanategemea mtandao wa kuchaji wa jiji moja, baadhi ya hyperparameters za modeli ambazo hazijafafanuliwa na mpangilio wa utabiri ambao haujaeleza jinsi vigezo vya matumizi ya baadaye vilivyotengenezwa, hayawezi kuhamishwa moja kwa moja kwa miji na gridi nyingine.

Matumizi halisi ya nishati ya kuchaji katika 2025 yalihesabiwa kuwa 520.594,449 kWh. Ili kupunguza hatari ya kupanga uwezo wa miundombinu kwa kiwango cha chini, takribani %1 ya akiba ya usalama iliongezwa kwenye utabiri wa kila mwaka na miundo yote minne ilikalibishwa hadi takribani 525.800 kWh kwa 2025. Kwa hiyo, ulinganisho mkuu kati ya miundo unapaswa kutegemea vipimo vya makosa ya kila siku badala ya jumla za mwaka 2025 ambazo zilisogezwa kwa makusudi karibu na kila mmoja. Utabiri wa jumla wa nishati wa miundo kwa 2026 ulitofautiana kati ya 575.387,001 na 638.291,622 kWh; miundo miwili inayotegemea miti ilitoa matokeo katika masafa ya 635.226,756-638.291,622 kWh.

Kwa mtazamo wa Türkiye, utafiti unaonyesha kwamba miundombinu ya kuchaji magari ya umeme inaweza kupangwa si kwa kuzingatia tu idadi ya magari yaliyopo, bali kwa kutathmini kwa pamoja matumizi ya vituo, muda wa kuchaji, hali ya hewa, athari za kalenda na mifumo ya matumizi ya zamani. Hata hivyo, matokeo ya miundo iliyofunzwa kwa data za Boulder hayawezi kutumiwa moja kwa moja kama lengo la uwezo kwa Türkiye. Mfumo utakaotumika Türkiye unapaswa kufunzwa upya kwa rekodi za vituo vya ndani, hali ya hewa ya kikanda, kalenda ya sikukuu, tabia za matumizi, mgawanyo wa nguvu za kuchaji na mwenendo wa kuenea kwa magari ya umeme, kisha uthibitishwe kwa data halisi za baadaye.

Swali kuu la utafiti ni nini?

Swali kuu la utafiti ni kama mbinu za ujifunzaji wa mashine zinazotegemea miti au miundo ya ujifunzaji wa kina inayochakata data za mfuatano hutoa utabiri sahihi zaidi wa mahitaji ya kila siku katika data zilizopangwa za kuchaji magari ya umeme. Utafiti pia unachunguza jinsi akiba ya usalama ya kudumu inaweza kutumika katika utabiri ili kupunguza kukadiria chini ya mahitaji katika mipango ya uwezo wa kila mwaka.

Miundo minne iliyojumuishwa katika ulinganisho ni hii:

• XGBoost: Modeli ya gradient boosting inayopunguza makosa kupitia miti ya maamuzi ya mfululizo.
• LightGBM: Modeli ya gradient boosting iliyotengenezwa kwa data zilizopangwa na inayotumia ukuaji unaolenga majani.
• CNN-LSTM: Modeli mseto inayojifunza mifumo ya muda ya ndani kwa tabaka za convolution na utegemezi wa muda mrefu kwa tabaka za LSTM.
• GRU: Modeli ya recurrent neural network inayochakata utegemezi wa muda kupitia milango ya kusasisha na kuweka upya.

Utafiti unalenga pengo gani katika fasihi?

Mapitio ya fasihi ya utafiti yanaonyesha kwamba LSTM, GRU, transformer networks, temporal convolution networks, utabiri wa uwezekano, ensemble learning na miundo mseto tayari imetumika katika mahitaji ya kuchaji magari ya umeme. Ndani ya msingi huu, watafiti wanapendekeza mpangilio unaolinganisha mbinu mbili zenye nguvu zinazotegemea miti na mbinu mbili za ujifunzaji wa kina katika mfumo mmoja wa data na feature engineering, huku ukitumia akiba ya usalama ya kudumu kwa mipango ya miundombinu ya kila mwaka.

Mbinu ya kipekee ya utafiti si kutafuta tu kosa la chini kabisa la utabiri. Watafiti walitumia kalibresheni inayoweka jumla ya mwaka 2025 takribani %1 juu ya matumizi halisi kwa kuzingatia kwamba utabiri ulio chini ya mahitaji halisi unaweza kusababisha uhaba wa vituo katika mipango ya uwezo. Hata hivyo, akiba hii ya usalama si confidence interval ya kitakwimu wala modeli ya uwezekano wa kutokuwa na uhakika; ni margin ya kudumu ya mipango iliyowekwa mapema.

Seti ya data iliundwaje?

Kigezo lengwa ni jumla ya nishati ya kuchaji magari ya umeme kwa siku, iliyopimwa kwa kilowatt-hour. Data ghafi ziko katika kiwango cha kipindi cha kuchaji. Kiasi cha nishati cha vipindi vyote vya kuchaji ndani ya siku moja kilijumlishwa ili kuunda matumizi ya kila siku. Katika kulinganisha jumla za kila siku na jumla za kila mwaka, iliripotiwa kwamba tofauti ilikuwa sifuri kwa kipindi chote cha 2018-2025. Udhibiti huu unaonyesha kwamba jumla ya nishati ya mwaka haikupotea wakati data za vipindi zilipobadilishwa kuwa data za kila siku.

Grafu ya matumizi ya kila mwaka inaonyesha kwamba mfululizo haukufuata ukuaji wa mstari na usiokatika. Hasa kupungua kwa 2020, kuruka kwa 2022, kushuka kidogo kwa 2024 na ongezeko kubwa la 2025 vinahitaji modeli ijifunze mifumo tata zaidi kuliko trend rahisi ya mstari. Utafiti haujaribu moja kwa moja maelezo ya kisababishi ya mabadiliko haya.

Ni vigezo gani vya ingizo vilitumika?

Ingizo za modeli zinaweza kugawanywa katika makundi matano makuu.

Vigezo vya hali ya hewa na vya nje

• Halijoto ya juu na ya chini
• Unyeshaji
• Theluji na kina cha theluji
• Unyevu wa sasa, wa chini, wa juu na wa wastani
• Shinikizo la sasa, la chini, la juu na la wastani
• Viashiria vya uwepo wa COVID na ukali wa COVID
• Siku za sikukuu

Haijaelezwa jinsi viashiria vya COVID na vigezo vya sikukuu vilivyowekwa misimbo, ni thresholds gani zilitumika au thamani zao za baadaye ziliamuliwaje. Taarifa ya sikukuu pia si ya hali ya hewa bali ni kigezo cha nje cha kalenda; katika chanzo vipengele hivi vimewasilishwa katika orodha ileile ya sifa.

Sifa za matumizi ya mtandao wa kuchaji

• Idadi ya vipindi vya kuchaji kwa siku
• Idadi ya vituo vinavyofanya kazi
• Saa za kuchaji
• Jumla ya muda wa vipindi

Vigezo hivi ni viashiria vya matumizi vinavyohusiana moja kwa moja na matumizi ya nishati ya kila siku. Hata hivyo, katika utabiri halisi wa baadaye haijaelezwa jinsi idadi ya vipindi vya baadaye, idadi ya vituo vinavyofanya kazi na jumla ya muda wa kuchaji vitajulikana mapema au vitatabiriwa tofauti. Upungufu huu ni muhimu hasa kwa uwezekano wa kurudia utabiri wa 2026 katika matumizi ya shambani.

Sifa za kalenda

• Mwaka, mwezi na siku ya mwezi
• Siku ya wiki na siku ya mwaka
• Wiki ya mwaka
• Kiashiria cha wikendi
• Mabadiliko ya sine-cosine kwa mwezi, siku ya wiki na siku ya mwaka

Mabadiliko ya sine na cosine yanalenga kufanya vipindi vilivyo karibu kimzunguko, kama Desemba na Januari au Jumapili na Jumatatu, viwakilishwe pia kwa thamani za nambari zilizo karibu.

Thamani za nishati zilizocheleweshwa

Matumizi ya nishati ya siku 1, 2, 3, 7, 14, 30, 60, 90 na 365 zilizopita yaliongezwa kwenye ingizo za modeli. Lag fupi zinalenga kuwakilisha mabadiliko ya kila siku, lag za siku 7 na 14 mifumo ya wiki, na lag ya siku 365 msimu wa mwaka.

Takwimu za dirisha linalosogea

Moving average, standard deviation, minimum na maximum zilihesabiwa kwa siku 7, 14 na 30 zilizopita. Takwimu hizi zinawezesha modeli kutazama si siku moja iliyopita pekee, bali pia kiwango cha jumla, mabadiliko na thamani za mwisho katika kipindi cha karibu.

Mtiririko wa kazi unaendeleaje?

Mchoro wa mtiririko wa kazi wa utafiti unaanza na vyanzo viwili vya data: rekodi za vipindi vya kuchaji vya Boulder za 2018-2025 na data za kila siku za hali ya hewa. Baada ya kubadilisha timestamps, kuondoa mistari batili, kujumlisha nishati kwa siku na kulinganisha tarehe, feature engineering ilitumika. Seti ileile ya sifa ilipelekwa kwenye miundo ya XGBoost, LightGBM, CNN-LSTM na GRU.

Mchoro unaonyesha mpangilio wa uthibitishaji wenye dirisha la muda linalopanuka: kwanza kufundisha kwa 2018 na kupima kwa 2019, kisha kufundisha kwa 2018-2019 na kupima kwa 2020; mchakato huu ulipangwa kuendelea hadi kufundisha kwa 2018-2024 na kupima kwa 2025. Katika maelezo makuu ya mbinu, uthibitishaji wa mwisho ulifafanuliwa hasa kupitia kipindi cha mafunzo cha 2018-2024 na kipindi cha majaribio cha 2025. Kisha miundo ilifunzwa upya kwa data zote za 2018-2025 ili kutoa utabiri wa 2026.

Kwa nini akiba ya usalama ilitumika?

Kujenga miundombinu ya kuchaji yenye uwezo mdogo kunaweza kusababisha upungufu wa huduma katika vipindi ambapo matumizi halisi yanazidi utabiri. Watafiti walitumia kalibresheni inayoweka jumla ya nishati ya mwaka 2025 takribani %1 juu ya thamani halisi ili kupunguza hatari hii.

Hatua hii ina matokeo muhimu: utabiri wa kila mwaka wa 2025 si jumla za asili au ghafi za miundo. Utabiri ulisogezwa kwa makusudi karibu na lengo lilelile la kila mwaka. Kwa hiyo, ushahidi kwamba XGBoost ni modeli bora hautokani na ukaribu wa jumla ya 2025 na thamani halisi, bali unatokana na vipimo vya utendaji wa kila siku kama NMAE, NRMSE, R² na MAPE.

Grafu na majedwali yanaonyesha nini?

Katika grafu inayolinganisha vipimo vya modeli, XGBoost ina thamani za makosa ya chini zaidi kwa NMAE, NRMSE na MAPE, pamoja na R² ya juu zaidi. LightGBM iko nafasi ya pili karibu na XGBoost katika vipimo vyote. Kati ya miundo ya ujifunzaji wa kina, GRU ni bora kuliko CNN-LSTM kwa NMAE na MAPE; CNN-LSTM ni bora kidogo sana kuliko GRU kwa NRMSE na R².

Katika grafu inayolinganisha thamani za nishati za 2025 na 2026, nguzo za 2025 za miundo yote zimekusanyika karibu na 525.800 kWh. Mwonekano huu ni zaidi matokeo ya kalibresheni ya akiba ya usalama kuliko kufanana huru kwa miundo. Nguzo za 2026, hata hivyo, zinatofautiana wazi: utabiri wa chini zaidi ulitolewa na CNN-LSTM na wa juu zaidi na LightGBM.

Matokeo yanayoungwa mkono na utafiti

• Katika seti hii ya data na mpangilio huu wa feature engineering, XGBoost ilitoa matokeo bora zaidi katika utabiri wa kila siku.
• LightGBM ilionyesha utendaji karibu na XGBoost na ikatabiri jumla ya juu zaidi ya 2026.
• Miundo miwili inayotegemea miti ilifanya vizuri zaidi kuliko CNN-LSTM na GRU katika vipimo vya makosa ya kila siku.
• Iliwezekana kujenga mfumo wa utabiri uliopangwa unaotumia pamoja sifa za kalenda, hali ya hewa, matumizi, lag na moving window.
• Akiba ya usalama ya kudumu inaweza kuweka kwa makusudi utabiri wa mipango ya miundombinu juu ya jumla halisi ya mwaka.

Matokeo ambayo utafiti haujathibitisha

• Haijathibitishwa kwamba XGBoost ni bora kuliko ujifunzaji wa kina katika miji yote na seti zote za data za kuchaji magari ya umeme.
• Haijaonyeshwa kwamba matumizi halisi katika 2026 yatakuwa kwa uhakika 635.000-638.000 kWh.
• Haijajaribiwa kwamba akiba ya usalama ya %1 ni bora zaidi kiuchumi au inatosha kwa uaminifu wa gridi.
• Matokeo ya modeli hayatoi confidence interval ya uwezekano, uwezekano wa kuzidi kiwango au mgawanyo wa hatari.
• Modeli haibaini mahali vituo vipya vinapaswa kujengwa.
• Utafiti hauelezi kwa njia ya kisababishi sababu za mabadiliko ya kila mwaka katika mahitaji ya kuchaji.
• Matokeo yaliyopatikana kwa data za Boulder hayawezi kuhamishwa moja kwa moja kwa nchi na miji mingine.

Umuhimu wake kwa yaliyopita, sasa na yajayo

Data za vipindi vya nyuma zinaonyesha kwamba mahitaji ya kuchaji hayakuendelea kwa utaratibu mwaka hadi mwaka na kwamba sifa za muda mfupi na za msimu zinahitajika katika utabiri wa mahitaji. Kwa mtazamo wa sasa, utafiti unaonyesha kwamba miundo ya kawaida kiasi inayotegemea miti inaweza kuwa sahihi zaidi na ya haraka zaidi kuliko miundo tata ya ujifunzaji wa kina katika data za jedwali zilizoandaliwa vizuri.

Kwa mtazamo wa baadaye, mchango mkuu ni kuonyesha kwamba miundombinu ya kuchaji magari ya umeme inaweza kupangwa si kwa kutegemea tu jumla ya matumizi ya zamani, bali kwa mfumo wa utabiri unaochakata kwa pamoja shughuli za watumiaji, matumizi ya vituo, kalenda, hali ya hewa na sifa za time series. Hata hivyo, maamuzi halisi ya mipango yanahitaji uchambuzi wa gharama, vikwazo vya gridi, mahitaji ya kikanda, masafa ya kutokuwa na uhakika na uthibitishaji huru wa baadaye.

Mbinu na Matokeo ya Utafiti

Uchakataji wa awali wa data

Nishati ya vipindi vyote vya kuchaji vilivyotokea katika siku moja ilibadilishwa kuwa nishati ya kila siku kwa jumla ifuatayo:

\[ E_d = \sum_{i=1}^{n_d} E_i \]

Hapa E_d, inaonyesha jumla ya nishati ya kuchaji katika siku d; E_i, inaonyesha nishati ya kipindi cha kuchaji namba i katika siku hiyo hiyo; n_d inaonyesha jumla ya idadi ya vipindi vilivyotokea siku hiyo. Kitengo cha nishati ni kWh.

Mabadiliko ya kalenda ya mzunguko

\[ X_{\sin} = \sin\left(\frac{2\pi X}{P}\right) \]

\[ X_{\cos} = \cos\left(\frac{2\pi X}{P}\right) \]

X, inawakilisha kigezo cha kalenda cha mzunguko kama mwezi au siku ya wiki; P inawakilisha kipindi cha kigezo. Kwa mfano, kipindi cha kigezo cha mwezi ni 12. Mabadiliko haya mawili yanapotumika pamoja, nafasi ya kipindi ndani ya mzunguko huwakilishwa kwa namna ya duara badala ya nambari moja ya mstari.

Sifa za lag na moving average

\[ \mathrm{Lag}_k(d) = E_{d-k} \]

Lag_k(d), ni matumizi ya nishati yaliyopimwa k siku kabla ya siku inayotabiriwa.

\[ \mathrm{RollingMean}_k(d) = \frac{1}{k}\sum_{i=1}^{k}E_{d-i} \]

Mlinganyo huu huhesabu wastani wa matumizi ya nishati ya k siku kabla ya siku ya utabiri. Katika utafiti, thamani ya k ilitumika kama siku 7, 14 na 30; standard deviation, minimum na maximum pia ziliundwa kwa madirisha hayo hayo.

Objective function ya XGBoost

\[ \mathrm{Obj} = \sum_{i=1}^{n}L(y_i,\hat{y}_i) + \sum_{k=1}^{K}\Omega(f_k) \]

L, inaonyesha loss kati ya thamani halisi y_i na utabiri \hat{y}_i; Ω(f_k) inaonyesha regularization term inayozuia ugumu wa mti namba k. Lengo si kupunguza tu kosa la mafunzo, bali pia kudhibiti overfitting inayosababishwa na miti iliyo tata kupita kiasi.

Mfuatano wa ingizo wa CNN-LSTM

\[ X_t = [x_{t-29},x_{t-28},\ldots,x_t] \]

Modeli ilitumia mfuatano wa ingizo wa siku 30. Tabaka za convolution zinalenga kujifunza mifumo ya muda mfupi ya ndani katika mfuatano huu, huku tabaka za LSTM zikilenga kujifunza uhusiano wa muda mrefu. Mlinganyo unaonyesha kwamba mfuatano wa ingizo pia unajumuisha thamani ya x_t; hata hivyo, haijaelezwa kwa kina ni wakati gani katika siku lengwa vigezo vilivyo ndani ya x_t vinapatikana.

Utaratibu wa milango ya GRU

\[ z_t = \sigma(W_zx_t + U_zh_{t-1}) \]

\[ r_t = \sigma(W_rx_t + U_rh_{t-1}) \]

\[ h_t = (1-z_t)h_{t-1} + z_t\tilde{h}_t \]

z_t inaonyesha update gate, r_t reset gate, h_t hali fiche ya sasa na x_t ingizo katika muda t. Update gate hudhibiti kiasi cha taarifa ya zamani kinachohifadhiwa, huku reset gate ikidhibiti ni kwa kiwango gani taarifa ya zamani inahamishwa kwenda katika hali mpya inayopendekezwa. Chanzo hakitoi mlinganyo tofauti wa kukokotoa hali fiche inayopendekezwa \tilde{h}_t.

Mafunzo na uthibitishaji

• Uthibitishaji wa 2025: Mafunzo kwa data za 2018-2024, utabiri kwa data za 2025.
• Utabiri wa 2026: Mafunzo upya kwa data zote za 2018-2025, utabiri wa mbele kwa 2026.
• Mpangilio wa muda: Mgawanyo wa kikronolojia ulitumika badala ya mgawanyo wa nasibu wa mafunzo-test.
• Uthibitishaji wa ziada katika mchoro: Madirisha ya mafunzo ya kila mwaka yanayopanuka kutoka 2019 hadi 2025 yameonyeshwa.

Mgawanyo wa kikronolojia uko karibu zaidi na matumizi halisi ambapo siku zijazo hutabiriwa kwa data za zamani kuliko mgawanyo wa nasibu wa data. Hata hivyo, majedwali tofauti ya matokeo ya uthibitishaji wa kati kwa miaka, mabadiliko ya utendaji kati ya miaka na kipindi ambacho uteuzi wa hyperparameters ulifanywa havijatolewa.

Kalibresheni ya akiba ya usalama ya %1

\[ \hat{E}_{2025}^{\mathrm{safety}} = E_{2025}^{\mathrm{actual}}\times1{,}01 \]

Mlinganyo huu huweka %101 ya matumizi halisi ya 2025 kama lengo la mipango. Kwa 520.594,449 kWh, lengo la kinadharia ni takribani 525.800,393 kWh.

\[ \hat{y}_t^{\mathrm{calibrated}} = C\times\hat{y}_t^{\mathrm{raw}} \]

C, ni kizidishi kinacholinganisha utabiri ghafi wa kila siku na lengo la usalama la mwaka. Utafiti hautoi mlinganyo wa wazi wa kukokotoa C; maelezo ya mbinu yanaonyesha kwamba ni scaling coefficient inayohamisha jumla ya utabiri ghafi wa kila siku hadi nishati lengwa ya mwaka.

Kalibresheni hii haipimi kutokuwa na uhakika wa utabiri. Ongezeko la kudumu la %1 halijaoptimizwa kulingana na mgawanyo wa makosa ya utabiri wa zamani, kiwango cha confidence, uwezekano wa mahitaji kupita kiasi au gharama ya miundombinu.

Vipimo vya tathmini

Normalized Mean Absolute Error

\[ \mathrm{NMAE}(\%) = \frac{\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|}{\frac{1}{n}\sum_{i=1}^{n}y_i}\times100 \]

NMAE inaonyesha uwiano wa kosa kamili la kila siku kwa wastani wa mahitaji halisi ya kila siku. Thamani ndogo ina maana ya utabiri bora.

Normalized Root Mean Square Error

\[ \mathrm{NRMSE}(\%) = \frac{\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}}{\frac{1}{n}\sum_{i=1}^{n}y_i}\times100 \]

NRMSE huadhibu kwa nguvu zaidi makosa makubwa kwa sababu huyainua kwa mraba. Thamani ndogo ni bora.

Coefficient of Determination

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

R² inaonyesha ni kwa kiwango gani modeli inaeleza mabadiliko katika matumizi ya nishati ya kila siku. Kwa tafsiri ya jumla, R² ya juu inaashiria fit bora zaidi.

Mean Absolute Percentage Error

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

MAPE huonyesha kosa la kila siku kama asilimia ya thamani halisi. Utafiti haujaeleza hatua inayochukuliwa siku ambazo thamani halisi ya kila siku ni sifuri.

Kosa la mwaka

\[ \mathrm{YearlyError} = \frac{\sum_{i=1}^{n}\hat{y}_i-\sum_{i=1}^{n}y_i}{\sum_{i=1}^{n}y_i}\times100 \]

Thamani chanya inaonyesha kwamba utabiri wa mwaka uko juu ya matumizi halisi; thamani hasi inaonyesha uko chini. Katika utafiti huu, thamani ya takribani +%1 si kosa la asili la modeli, bali matokeo yaliyolengwa ya kalibresheni kwa madhumuni ya mipango.

Ulinganisho wa utendaji wa miundo

Thamani ya NMAE ya XGBoost ni pointi za asilimia 0,1902 chini ya LightGBM, huku MAPE ikiwa pointi za asilimia 0,0940 chini. Ingawa tofauti kati ya miundo miwili ni ndogo, vipimo vyote vinaunga mkono mpangilio huo huo.

Utabiri wa nishati wa 2025 na 2026

Kutofautiana kwa kiasi kikubwa kwa utabiri wa 2026 kunaonyesha kwamba matokeo ya kipindi cha mbele yanategemea uchaguzi wa modeli. Hasa, tofauti kati ya CNN-LSTM na LightGBM ni takribani 62.904,621 kWh. Utafiti hautoi prediction interval, model weighting au mgawanyo wa kutokuwa na uhakika kwa tofauti hii.

Muda wa utekelezaji

Mazingira ya majaribio yalifafanuliwa kuwa mfumo wa Windows wenye kichakataji AMD Ryzen 7 na 16 GB RAM; ilielezwa kwamba miundo ilitengenezwa kwa kutumia Python 3.11 na Google Colab. Maktaba za XGBoost, TensorFlow/Keras, Scikit-learn, Pandas, NumPy na Matplotlib zilitumika. Kwa kuwa haijaelezwa ni shughuli zipi zilitumia mfumo wa ndani na zipi zilitumia rasilimali za Google Colab, si sahihi kulinganisha moja kwa moja muda huu kwenye vifaa tofauti.

Matatizo ya ulinganifu ndani ya chanzo

• Katika maandishi, utabiri wa XGBoost wa 2026 umetolewa sehemu moja kama 635.226,750 kWh, katika jedwali la matokeo kama 635.226,756 kWh na kwenye grafu kama 635.227 kWh baada ya kuzungushwa. Thamani ya 635.226,756 kWh kutoka jedwali imehifadhiwa katika jedwali la ulinganisho.
• Imeandikwa kwamba GRU ilitoa utabiri wa chini zaidi wa 2026 kati ya miundo minne kwa 611.762,353 kWh; hata hivyo, kwa kuwa utabiri wa CNN-LSTM ni 575.387,001 kWh, kauli hii inapingana na jedwali.
• Katika muhtasari wa matokeo kuna kauli kwamba mahitaji ya 2026 ni “633.000-638.000 kWh zaidi ya 2025”. Majedwali yanaonyesha kwamba nambari hizi si kiasi cha ongezeko, bali ni takribani jumla za utabiri wa 2026 wa miundo inayotegemea miti.
• Katika maelezo ya vipimo vya tathmini kuna sentensi inayoweza kutoa maana kwamba R² ya chini ni bora. Mlinganyo uliotolewa wa R² na uteuzi wa modeli, hata hivyo, kwa usahihi huchukulia R² ya juu kuwa bora.
• Katika mlinganyo wa akiba ya usalama E₂₀₂₅^actual imeonyeshwa kama nishati halisi, lakini katika maandishi ya maelezo imefafanuliwa kama “utabiri ghafi kabla ya kalibresheni”. Mlinganyo, jedwali na thamani ya 520.594,449 kWh vinaunga mkono kwamba hii ni matumizi halisi yaliyopimwa.
• Katika sehemu ya hitimisho, masafa ya takribani 633.000-638.000 kWh yametolewa kwa miundo yenye nguvu. Katika jedwali la kina, thamani za XGBoost na LightGBM ziko takribani katika masafa ya 635.227-638.292 kWh.

Mipaka mikuu ya kimetodolojia

• Utafiti unategemea rekodi za kuchaji za jiji moja.
• Idadi ya vituo vya kuchaji, jumla ya vipindi, idadi ya siku zilizokosekana na ukubwa wa data ghafi havijaelezwa.
• Haijaelezwa ni mistari mingapi iliondolewa wakati wa kusafisha data.
• Kwa XGBoost na LightGBM, idadi ya miti, kina, learning rate na mipangilio ya regularization haijatolewa.
• Kwa CNN-LSTM na GRU, idadi ya tabaka, idadi ya cells, activation, optimizer, learning rate, epoch, batch size na early stopping settings hazijatolewa.
• Mbinu ya kutafuta hyperparameters na seti tofauti ya validation hazijaelezwa.
• Haijaelezwa jinsi ingizo za hali ya hewa ya baadaye, idadi ya vipindi, vituo vinavyofanya kazi, muda wa kuchaji na jumla ya muda wa matumizi zilitengenezwa kwa 2026.
• Haijaelezwa jinsi thamani za lag zilivyoendelezwa siku kwa siku katika utabiri wa 2026.
• Akiba ya usalama ya %1 haijahesabiwa kwa optimization ya kitakwimu au kiuchumi.
• Hakuna probabilistic prediction interval au model uncertainty iliyotolewa.
• Code, seti ya data inayoweza kupakuliwa moja kwa moja na parameters kamili za modeli hazijashirikiwa; data itatolewa tu kwa ombi.
• Utabiri wa 2026 bado haujathibitishwa kwa data huru halisi za matumizi zilizotokea.

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: Evaluating Machine Learning and Deep Learning Techniques for Electric Vechicle Load Forecasting

Waandishi na mpangilio wao: John Pradeep Darsy; Mahesh Gunti.

Uandishi wa kwanza wa pamoja: Hakuna taarifa iliyotolewa kuhusu uandishi wa kwanza wa pamoja au mchango sawa.

Mwandishi wa mawasiliano: John Pradeep Darsy ameonyeshwa kama mwandishi wa mawasiliano kwenye ukurasa wa rekodi wa SSRN.

Mahusiano ya taasisi: Hakuna taarifa ya taasisi iliyotolewa kwa John Pradeep Darsy kwenye SSRN. Taasisi ya Mahesh Gunti imeorodheshwa kama VIT-AP University.

DOI: 10.2139/ssrn.7200041

Jarida: Jarida lililopitiwa na wataalamu au toleo la jarida lililokubaliwa halijathibitishwa.

Jukwaa la uchapishaji: SSRN.

Mchapishaji wa asili: Hakuna mchapishaji wa mwisho wa jarida kwa utafiti huu. SSRN ni jukwaa la preprint na utafiti wa mapema la Elsevier; halipaswi kutathminiwa kama jarida lililopitiwa na wataalamu au mchapishaji wa mwisho.

Mwaka wa uchapishaji: 2026.

Aina ya chanzo: Preprint ya utafiti inayojumuisha uchambuzi wa data na uundaji wa miundo ya utabiri kuhusu mahitaji ya kuchaji magari ya umeme.

Hali ya mapitio ya kitaalamu: Utafiti huu ni preprint ambayo haijapitia mapitio ya kitaalamu; matokeo yanapaswa kusomwa kwa kuzingatia kikomo hiki.

Chanzo rasmi:Ukurasa rasmi wa utafiti wa SSRN

Kiungo cha DOI:https://doi.org/10.2139/ssrn.7200041

Maelezo haya ya Kiswahili yameandaliwa baada ya kupitia kutoka mwanzo hadi mwisho maandishi ya utafiti yaliyopakiwa, milinganyo, majedwali, mchoro wa mtiririko wa kazi na grafu. Vyanzo vya nje vilitumika tu kuthibitisha taarifa za utambulisho wa kibibliografia kama waandishi, mwandishi wa mawasiliano, taasisi, DOI, tarehe ya rekodi na jukwaa la uchapishaji. Hakuna matokeo mapya yaliyoongezwa kutoka vyanzo vya nje kwenye matokeo ya msingi ya kisayansi ya utafiti.

Mipaka mikuu ya utafiti ni data za jiji moja, taarifa pungufu za hyperparameters, kutokuelezwa jinsi vigezo vya matumizi na hali ya hewa ya baadaye vilivyotengenezwa, akiba ya usalama ya kudumu kutokuwa modeli ya kitakwimu ya kutokuwa na uhakika, utabiri wa baadaye kutokuwa bado umethibitishwa kwa data huru halisi, na baadhi ya kutolingana kwa nambari na tafsiri ndani ya chanzo. Matokeo yamewekewa mipaka na seti hii ya data na mpangilio wa uundaji wa modeli uliotumika.