Utafiti huu unatumia programu ya MATLAB Regression Learner kutabiri matumizi ya nguvu ya umeme katika majengo matatu ya kitaaluma ya Universidad Laica Eloy Alfaro de Manabí kwa kutumia vipimo vya awali, taarifa za wakati na data za halijoto. Regression Learner ni zana ya ujifunzaji wa mashine inayowezesha kufundisha algoriti mbalimbali za regresi kwenye seti moja ya data, kuzilinganisha kwa uthibitishaji mtambuka na kusafirisha modeli zilizopatikana ili zitumike baadaye katika msimbo wa MATLAB au programu nyingine. Katika utafiti, chaguo mbalimbali zikiwemo regresi ya mstari na ya polinomu, Support Vector Machine na mbinu za ensemble zilitathminiwa; kwa mujibu wa chanzo, matokeo bora zaidi yalipatikana kwa modeli ya Regression Ensemble: Bagged Trees.

Utafiti unaeleza kuwa rekodi za takribani miezi 10 za matumizi ya umeme kutoka majengo matatu ya chuo kikuu zilitumika. Katika grafu za chanzo, mhimili wa wakati unaochunguzwa ni kati ya Mei 2022 na Februari 2023. Seti ya data ina nguvu ya umeme pamoja na vigezo vya muda kama halijoto ya mazingira, siku na saa. Katika jedwali la mfano la vipimo, inaonekana kuwa vipimo vilirekodiwa kwa vipindi vya dakika 15. Kabla ya data kuingizwa katika MATLAB, hatua za uchakataji wa awali kama kurekebisha rekodi zilizokosekana na kusafisha thamani zilizopotoka zilitumika.

Katika ulinganisho wa Regression Learner, modeli ya ensemble ya Bagged Trees ilichaguliwa na chanzo kuwa modeli yenye mafanikio zaidi ikiwa na RMSE ya uthibitishaji ya 2.2463. RMSE au Root Mean Squared Error ni mzizi wa mraba wa wastani wa mraba wa tofauti kati ya utabiri wa modeli na thamani halisi, na huipa uzito mkubwa zaidi makosa makubwa ya utabiri. Ingawa maandishi ya utafiti yenyewe yanasema kuwa thamani bora iliyolengwa ilikuwa chini ya 1,4, RMSE bora iliyopatikana ni takribani 2,24. Kwa hiyo modeli haikufikia kiwango cha kosa kilicholengwa, lakini waandishi walitathmini matokeo kuwa yanaweza kutumika kwa madhumuni ya upangaji wa nishati.

Matokeo ya pili muhimu ya utafiti ni kiolesura cha mtumiaji kilichotengenezwa kwa MATLAB App Designer. Programu inamwezesha mtumiaji kuchagua kitivo na tarehe, kupakia modeli husika kutoka miongoni mwa modeli tatu za majengo zilizofundishwa awali, na kuonyesha kwenye skrini thamani zilizotabiriwa za nguvu ya umeme na mkondo. Hivyo, badala ya kuiacha modeli ya ujifunzaji wa mashine katika mazingira ya uchanganuzi pekee, lengo lilikuwa kuibadilisha kuwa zana ya utabiri inayoweza kutumika kiutendaji.

Hata hivyo, utafiti hautoi maelezo muhimu kwa ajili ya uwezekano wa kurudia matokeo, kama vile hyperparameters za Bagged Trees, thamani ya k katika uthibitishaji mtambuka, thamani huru za RMSE za majengo tofauti, matokeo ya namba ya R² na seti ya majaribio ya nje. Aidha, kipindi cha data kinafafanuliwa kwa namna tofauti katika sehemu mbalimbali kama miezi 10 ndani ya 2022, Mei 2022–Februari 2023 na Mei–Juni–Julai, jambo linalosababisha kutokuwiana kwa kipindi cha wakati ndani ya chanzo.

Kwa Nini Ni Vigumu Kutabiri Matumizi ya Umeme katika Majengo ya Chuo Kikuu?

Matumizi ya umeme katika majengo ya chuo kikuu si kazi rahisi ya saa au halijoto ya nje pekee. Utafiti wa chanzo unasisitiza kuwa mambo mengi kama uhamaji wa watumiaji, shughuli za masomo na utawala, aina tofauti za vyumba, miundo ya madirisha na hasa matumizi ya viyoyozi yanaweza kubadilisha mahitaji ya umeme. Kwa hiyo, jengo lilelile linaweza kuonyesha wasifu tofauti sana wa nguvu katika siku tofauti au katika saa tofauti za siku hiyo hiyo.

Modeli ya utabiri hujaribu kujifunza mifumo inayojirudia katika vipimo vya awali ili kutabiri mahitaji ya nguvu yanayotarajiwa katika nyakati za baadaye. Lengo hapa si kueleza tu matumizi ya jumla ya nishati kwa kuangalia nyuma, bali kusaidia usimamizi na upangaji wa nishati kwa kutabiri mapema mahitaji ya umeme yanayoweza kutokea baadaye.

Vitivo vitatu vilivyochunguzwa katika utafiti

Katika kiolesura cha App Designer cha chanzo kuna modeli tatu tofauti za vitivo:

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

Chanzo kinaeleza kuwa data kwa kila jengo/kitivo ziliandaliwa kando na modeli tatu huru ziliundwa ndani ya Regression Learner.

Regression Learner Inafanya Nini katika Utafiti Huu?

Regression Learner inatathmini algoriti kadhaa za regresi katika mazingira yale yale ya kazi ili kujifunza uhusiano kati ya nguvu ya umeme na vigezo vya muda na mazingira kutoka kwenye vipimo vya awali. Mtumiaji hupakia seti ya data, huchagua kigezo lengwa kitakachotabiriwa na vigezo vya predictor, hufundisha modeli mbalimbali na hutambua mbinu inayofaa zaidi kwa kuzingatia vipimo vya uthibitishaji kama RMSE.

Vigezo vya msingi vilivyotumika katika chanzo

Katika sehemu mbalimbali za utafiti, vigezo vifuatavyo vinatajwa kama viingizo vya modeli:

• tarehe,
• saa,
• siku,
• mwezi,
• mwaka,
• halijoto ya mazingira

.

Kigezo lengwa ni nguvu ya umeme.

Katika skrini ya uteuzi wa vigezo ya Regression Learner kwenye ukurasa wa 11 wa PDF, Fecha, Hora na Temperatura zimechaguliwa kama predictor, huku Potencia ikitumika kama kigezo lengwa tofauti.

Mfano wa vipimo vya dakika 15

Mfano huu unaonyesha kwamba, angalau katika sehemu ya jedwali iliyochapishwa, vipimo vilihifadhiwa kwa azimio la dakika 15.

Modeli ya Bagged Trees Inatabirije Matumizi ya Nishati?

Mbinu ya Bagged Trees badala ya kutegemea mti mmoja wa uamuzi, huunganisha utabiri wa miti mingi ya uamuzi iliyoundwa kwa kuchukua sampuli upya kutoka katika data ileile ya mafunzo. Mwelekeo wa mti mmoja kuzoea kupita kiasi sampuli fulani za mafunzo hujaribiwa kupunguzwa kwa wastani wa ensemble; hivyo lengo ni kufanya modeli iwe thabiti zaidi kwa data mpya.

Tatizo la mti mmoja wa uamuzi

Katika maelezo ya chanzo, inaelezwa kuwa mti wa uamuzi unaweza kujifunza, kwa mfano, sheria zinazotegemea halijoto na saa kama:

• ikiwa halijoto iko juu ya 30 °C na saa ni 14:00, matumizi ni ya juu,
• ikiwa halijoto iko chini ya 20 °C na saa ni 07:00, matumizi ni ya chini

.

Hata hivyo, mti mmoja unaweza kuzoea kupita kiasi migawanyiko mahususi katika data ya mafunzo, jambo linaloweza kusababisha variance kubwa. Mbinu ya Bagging inalenga kupunguza tatizo hili kwa kuunda miti mingi katika sampuli tofauti za bootstrap.

Uundaji wa kihisabati wa Bagged Trees

Chanzo kinafafanua seti ya data ya mafunzo kama:

.

Hapa \(x_i\) inawakilisha vipengele kama halijoto na saa, huku \(y_i\) ikiwakilisha matumizi ya umeme yanayotakiwa kutabiriwa.

Kisha, kwa kuchukua sampuli kwa urejeshaji:

seti za data za bootstrap huundwa.

Baada ya mti tofauti wa uamuzi \(h_b(x)\) kufundishwa kwenye kila seti ya data, utabiri wa ensemble huhesabiwa kwa namna:

.

Kwa hiyo, utabiri wa mwisho wa matumizi ya umeme hautokani na matokeo ya mti mmoja, bali ni wastani wa utabiri wa miti yote.

Mbinu na Matokeo ya Utafiti

Ukusanyaji na maandalizi ya data

Mlolongo wa mbinu za utafiti wa chanzo unaweza kufupishwa kama ifuatavyo:

1. Kukusanya data za matumizi ya umeme kutoka majengo matatu ya kitaaluma.
2. Kuongeza taarifa za wakati na halijoto ya mazingira kwenye seti ya data.
3. Kurekebisha rekodi zilizokosekana.
4. Kusafisha thamani zilizopotoka.
5. Kutenganisha data kwa msingi wa kitivo.
6. Kubadilisha taarifa za wakati kuwa viingizo vya utabiri.
7. Kuunda modeli huru ya Regression Learner kwa kila kitivo.
8. Kufundisha algoriti mbalimbali za regresi.
9. Kutathmini utendaji kwa uthibitishaji mtambuka.
10. Kuchagua Bagged Trees kuwa modeli bora zaidi.
11. Kuhamisha modeli zilizofundishwa kwenye programu ya App Designer.

Chanzo kinaeleza kuwa usafishaji ulifanyika, lakini hakielezi ni mbinu gani ya kushughulikia thamani zilizopotoka iliyotumika au ni njia gani ilitumika kujaza data zilizokosekana.

Tabia ya wastani wa nguvu kwa wiki

Kielelezo 1 kwenye ukurasa wa 7 wa PDF kinaonyesha mfululizo wa wastani wa nguvu kwa wiki kwa Facultad de Administración de Empresas kuanzia Mei 2022 hadi Februari 2023.

Chanzo kinasisitiza tabia zifuatazo kuu:

• vipindi vya mahitaji ya juu katika kipindi cha Mei,
• matumizi yanayoongezeka tena karibu na Septemba,
• kilele cha kila wiki kinachozidi 10 kW karibu na Januari,
• bonde la matumizi linalokaribia 0 kW mwanzoni mwa Agosti,
• kipindi cha pili cha matumizi ya chini sana mwanzoni mwa Novemba.

Waandishi wanahusisha vipindi vya matumizi ya chini sana na sababu kama kupungua kwa shughuli za kitaaluma, likizo au kiwango cha chini cha ujazo wa jengo.

Hata hivyo, kwa kuwa utafiti hauna kihisi cha moja kwa moja cha ujazo au kigezo cha shughuli za kitaaluma, maelezo haya ni tafsiri ya waandishi.

Tabia ya halijoto ya wastani kwa wiki

Katika Kielelezo 2, halijoto ya wastani kwa wiki hubadilika takribani katika kipindi:

.

Kwa mujibu wa chanzo:

• karibu na 15 Mei takribani 21,7 °C,
• 22 Mei 2022 ni 23,37 °C,
• 31 Julai ni 23,74 °C,
• 28 Agosti ni 21,80 °C,
• 6 Novemba ni 23,98 °C,
• 4 Desemba ni 25,70 °C,
• 1 Januari 2023 ni 27,26 °C

.

Nguvu na halijoto zinapotathminiwa pamoja

Kielelezo 3 kwenye ukurasa wa 8 wa PDF kinaonyesha vigezo viwili kwenye mhimili uleule wa wakati.

Chanzo kinatafsiri maeneo mawili tofauti ya tabia.

Vipindi vya shughuli ndogo: Katika baadhi ya wiki ambapo matumizi ya nguvu yanakaribia 0 kW, halijoto haishuki kwa namna sawa. Kwa sababu hii, chanzo kinahusisha matumizi ya chini sana zaidi na shughuli za kitaaluma au ujazo wa jengo kuliko halijoto.

Kipindi chenye joto zaidi: Baada ya Novemba, kadiri halijoto inavyoongezeka, baadhi ya kilele cha matumizi ya nguvu pia huonekana kuongezeka. Waandishi wanahusisha hali hii na kuongezeka kwa matumizi ya viyoyozi.

Hata hivyo, kwa kuwa chanzo hakitoi mgawo halisi wa correlation, mgawo wa regresi au kipimo cha matumizi ya viyoyozi, ukubwa wa athari huru ya halijoto kwenye matumizi hauwezi kubainishwa kwa kiasi.

RMSE = 2.2463 Inamaanisha Nini?

RMSE hufupisha ukubwa wa kosa kati ya nguvu ya umeme iliyotabiriwa na kipimo halisi kwa namba moja. Kadiri thamani inavyopungua, utabiri wa modeli unakuwa karibu zaidi na thamani halisi katika seti ya data; hata hivyo, kama RMSE ni nzuri au mbaya lazima itathminiwe kwa kuzingatia kipimo cha kigezo lengwa, kiwango cha kukubalika kwa kosa katika matumizi na ulinganisho na modeli rahisi zaidi.

Fomula ya RMSE iliyotolewa katika chanzo

Hapa:

• \(y_i\): kipimo halisi,
• \(\hat y_i\): utabiri wa modeli,
• \(n\): idadi ya uchunguzi.

Katika skrini ya Regression Learner kwenye ukurasa wa 11 wa PDF:

RMSE (Validation) = 2.2463

inaonekana.

Ulinganisho na lengo la utafiti wenyewe

Maandishi ya chanzo yanasema mwanzoni kwamba walitarajia RMSE kuwa:

.

Hata hivyo, thamani bora iliyopatikana ilikuwa:

.

Kwa hiyo, matokeo yako juu ya lengo lililotarajiwa.

Je, Kosa la %7,46 Ndilo Kiwango Halisi cha Kosa cha Utafiti?

Hapana. Hesabu ya %7,46 iliyotolewa katika chanzo haikutokana na wastani wa matumizi uliochapishwa wa seti halisi ya data; waandishi wanadhania kwa madhumuni ya maelezo kwamba wastani wa matumizi ni 30 kW. Kwa hiyo, %7,46 ni mfano wa kinadharia wa kosa la jamaa tu na haupaswi kutumiwa kama asilimia ya usahihi uliopimwa wa modeli ya Bagged Trees.

Mfano uliotumika katika chanzo

Kwa kudhani:

tunapata:

.

Chanzo pia kinaonyesha kuwa kama wastani halisi wa matumizi ungekuwa 50 kW:

ingekuwa hivyo.

Mifano hii inaonyesha kuwa kosa la jamaa linategemea thamani ya normalization inayotumika; si matokeo ya moja kwa moja ya utendaji wa modeli.

Tatizo la RMSE = 2,91 ndani ya chanzo

Katika sehemu hiyo hiyo, chanzo ghafla kinatumia:

RMSE = 2,91 → takribani %9,7

.

Kihisabati:

ni sahihi.

Hata hivyo, thamani iliyoonekana kwenye skrini ya Regression Learner ya utafiti ni 2,2463. Kwa kuwa haijaelezwa 2,91 ilitoka katika modeli gani, namba hii haiwezi kutumika kama matokeo makuu.

Thamani Halisi na Zilizotabiriwa za Nguvu Zinalinganishwaje?

Katika chanzo, vipimo halisi vya nguvu na utabiri wa modeli ya regresi vinalinganishwa kwenye grafu moja. Kwa mujibu wa maandishi, nukta za bluu zinawakilisha vipimo halisi vya nguvu ya umeme, na nukta za njano zinawakilisha utabiri wa modeli. Lengo ni kutathmini kwa kuona ni kwa kiwango gani modeli inaweza kufuata wasifu wa matumizi katika muda.

Hata hivyo, chanzo hakitoi kwa grafu hii thamani tofauti za:

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

.

App Designer Inafanyaje Utabiri wa Nishati Uweze Kutumika?

Programu ya App Designer iliyoundwa katika utafiti inaruhusu kufikia modeli zilizofundishwa za utabiri bila kulazimika kutumia mstari wa amri wa MATLAB au kiolesura cha Regression Learner. Mtumiaji huchagua kitivo na tarehe, programu hupakia modeli iliyofundishwa inayohusika na kuonyesha kwenye kiolesura thamani zilizotabiriwa za nguvu na mkondo.

Mtiririko wa msingi wa mtumiaji katika programu

1. Kitivo kinachaguliwa.
2. Taarifa za siku, mwezi, saa na dakika zinaingizwa.
3. Operesheni ya “Calcular” inaanzishwa.
4. Modeli ya kitivo kilichochaguliwa inapakiwa.
5. Utabiri wa nguvu unahesabiwa.
6. Hesabu ya mkondo inafanywa kutoka kwenye thamani ya nguvu.
7. Matokeo yanaonyeshwa kwenye kiolesura.

Katika skrini ya mfano kwenye ukurasa wa 14 wa PDF, programu inaonyesha thamani zilizotabiriwa za nguvu na mkondo katika sehemu tofauti.

Kwa nini modeli tatu tofauti?

Chanzo kinaandaa data kando kwa msingi wa kitivo. Sababu ni kwamba majengo tofauti ya kitaaluma yanaweza kutofautiana kwa:

• saa za kazi,
• msongamano wa watumiaji,
• namna za matumizi ya viyoyozi,
• wasifu wa mzigo wa umeme

.

Kwa hiyo, badala ya modeli moja ya jumla ya kampasi, modeli tatu huru zilitumika.

Je, Modeli Inaweza Kutumika Moja kwa Moja katika Majengo Mapya ya Chuo Kikuu?

Programu ya sasa ya chanzo ilitengenezwa kwa kutegemea data zilizokusanywa kutoka majengo matatu. Ikiwa jengo jipya litaongezwa kwenye mfumo, data mpya zinazowakilisha tabia ya matumizi ya jengo hilo lazima zikusanywe na modeli ifundishwe upya; modeli ya majengo matatu yaliyopo haihakikishi kiotomatiki utendaji uleule katika jengo jipya lenye mpangilio tofauti wa matumizi.

Matokeo yanayoungwa mkono na chanzo

• MATLAB Regression Learner inaweza kutumika kwa data za matumizi ya umeme ya chuo kikuu.
• Vigezo vya wakati na halijoto vinaweza kutumika katika utabiri wa mahitaji ya nishati.
• Miongoni mwa modeli zilizotathminiwa katika chanzo, Bagged Trees ilitoa RMSE ya chini zaidi iliyopatikana.
• RMSE ya uthibitishaji ya Bagged Trees imeonyeshwa kuwa 2.2463.
• Matumizi ya umeme yanaonyesha mabadiliko ya wazi ya kila wiki katika mwaka mzima.
• Baadhi ya vipindi vya matumizi ya chini vinaonekana kutotegemea mabadiliko ya halijoto.
• Katika kipindi cha joto, kuna vipindi ambavyo matumizi na halijoto huongezeka pamoja.
• Modeli zilizofundishwa ziliweza kuunganishwa kwenye programu ya mtumiaji inayotegemea App Designer.

Matokeo ambayo utafiti peke yake hauyaungi mkono

• Haijaonyeshwa kuwa asilimia halisi ya kosa la modeli ni %7,46.
• Haijaonyeshwa kuwa RMSE ya modeli iko chini ya 1,4.
• Thamani ya namba ya mafanikio ya R² haijachapishwa.
• Haijaonyeshwa kuwa halijoto inasababisha asilimia fulani ya mabadiliko ya matumizi.
• Athari ya matumizi ya viyoyozi iliyopimwa moja kwa moja haijatolewa.
• Haijaonyeshwa kuwa modeli ileile itatoa usahihi uleule katika majengo yote ya chuo kikuu.
• Hakuna uthibitishaji huru wa uwanjani uliotolewa kwa utabiri wa tarehe za baadaye wa wakati halisi.
• Haijaonyeshwa kwa majaribio kwamba kuongeza data zaidi kwa lazima kutaongeza usahihi.

Nguvu za utafiti

Nguvu ya kwanza ya utafiti ni kuunganisha vipimo halisi vya matumizi ya majengo na modeli ya ujifunzaji wa mashine. Modeli haitegemei kabisa wasifu wa nishati wa kutengenezwa.

Nguvu ya pili ni kuhusisha data za matumizi na taarifa za halijoto na wakati. Hivyo inazingatiwa kwamba mahitaji ya umeme si tu mkusanyiko wa thamani za nguvu za zamani.

Nguvu ya tatu ni kulinganisha algoriti mbalimbali za Regression Learner badala ya kuchagua modeli moja tangu mwanzo.

Nguvu ya nne ni kubadilisha modeli kupitia App Designer kuwa kiolesura kinacholenga mtumiaji wa mwisho. Hii inaleta uchanganuzi wa ujifunzaji wa mashine karibu zaidi na hali ya matumizi ya vitendo.

Vikwazo vya msingi vya utafiti

Kuelezwa kwa kipindi cha data kwa namna tofauti katika sehemu mbalimbali za makala ni tatizo muhimu la kuripoti. Grafu zinazoonekana zaidi zinaonyesha kipindi kati ya Mei 2022 na Februari 2023.

Azimio la vipimo pia linaelezwa kuwa la kila saa katika baadhi ya sehemu, lakini la dakika 15 katika jedwali la mfano.

Hyperparameters za Bagged Trees hazijaelezwa.

Thamani ya k ya uthibitishaji mtambuka haijatajwa.

Imeelezwa kuwa R² ingetumika kwa utendaji wa modeli, lakini thamani ya matokeo haijatolewa.

Jedwali la kulinganisha utendaji wa kila moja ya majengo matatu halijawasilishwa.

Utendaji kwenye kipindi cha nje na kisichoonekana kabisa cha majaribio haujatolewa.

Mifano ya %7,46 na %4,48 katika chanzo inategemea thamani za wastani wa matumizi zilizodhaniwa.

Kauli ya 2,91 RMSE inatofautiana na matokeo makuu ya 2,2463 kwa namna isiyoelezwa.

Maelezo ya Chanzo na Mbinu

• Kichwa asili: Predicción de Consumo Energético en Edificios Universitarios usando la aplicación Regression Learner de MATLAB
• Kichwa cha Kiingereza: Predicting Energy Consumption in University Buildings Using the Regression Learner App in MATLAB
• Mwandishi 1: Kenneth Wladimir Masabanda Macay
• Mwandishi 2: Edisson Daniel Segovia Muñoz
• Mwandishi 3: Erick José Alcivar Villamarin
• Mwandishi 4: Washington Xavier García Quilachamin
• Taasisi: Universidad Laica Eloy Alfaro de Manabí, Manta, Ecuador
• Jarida: Ciencias de la Ingeniería y Aplicadas
• Taasisi iliyochapisha: Universidad Técnica de Cotopaxi
• Juzuu: 10
• Toleo: 1
• Kurasa: 128–144
• Kipindi cha uchapishaji: Januari–İyun 2026
• DOI: 10.61236/ciya.v10i1.1240
• Tarehe ya kupokelewa: 24 Oktoba 2025
• Tarehe ya kukubaliwa baada ya marekebisho: 28 Desemba 2025
• Tarehe rasmi ya uchapishaji: 16 Januari 2026
• Aina ya makala: Makala ya utafiti
• Aina ya chanzo: Data za matumizi ya nishati ya chuo kikuu + regresi inayosimamiwa + uendelezaji wa programu ya MATLAB
• Programu kuu: MATLAB Regression Learner
• Uendelezaji wa programu: MATLAB App Designer
• Modeli iliyochaguliwa: Regression Ensemble — Bagged Trees
• RMSE bora zaidi ya uthibitishaji iliyoripotiwa: 2.2463
• Kiungo rasmi:https://doi.org/10.61236/ciya.v10i1.1240

Maelezo kuhusu uadilifu wa data na vipimo ndani ya chanzo

Kipindi cha data katika makala kinafafanuliwa kwa namna tofauti katika sehemu mbalimbali kama “miezi 10 ndani ya 2022”, “Mei 2022–Februari 2023” na “Mei, Juni na Julai”. Marudio ya vipimo pia yanaelezwa kuwa ya kila saa katika sehemu moja, huku jedwali la mfano likionyesha rekodi za dakika 15. Tofauti hizi zinahitaji kufafanuliwa katika urudiaji huru.

Thamani kuu ya utendaji kwenye skrini ya Regression Learner ni RMSE=2.2463. Viwango vya kosa vya %7,46 na %4,48 katika maandishi havijahesabiwa kutoka wastani halisi wa data, bali kutokana na makadirio ya 30 na 50 kW mtawalia. Thamani ya RMSE=2,91 iliyotumika katika sehemu hiyo hiyo haiendani na matokeo makuu ya modeli.

Maelezo kuhusu uwezo wa kurudia modeli

Chanzo kinaripoti kuwa k-fold cross-validation, uboreshaji wa hyperparameter na ulinganisho wa algoriti mbalimbali za regresi ulifanyika; hata hivyo, thamani ya k iliyotumika, idadi ya miti ya Bagged Trees, ukubwa wa majani, mipangilio ya bootstrap, random seed na seti ya mwisho ya hyperparameter hazijachapishwa. Kwa hiyo, ili kuunda tena modeli kwa usahihi kutoka katika maandishi ya chanzo, kikao asili cha MATLAB au faili za modeli zilizofundishwa zinahitajika.

Kikomo cha tafsiri ya kisayansi

Utafiti unaonyesha kuwa mahitaji ya umeme ya majengo matatu mahususi ya chuo kikuu yanaweza kuigwa kwa ujifunzaji wa mashine kwa kutumia data za matumizi ya awali na data za mazingira/wakati. Matokeo ya RMSE=2.2463 yanahusu masharti ya uthibitishaji ndani ya utafiti na hayahakikishi utendaji uleule kwa kampasi mpya, hali tofauti za hewa au wasifu tofauti wa matumizi. Uokoaji wa nishati au kupunguza uzalishaji wa kaboni pia si matokeo yaliyopimwa moja kwa moja katika utafiti; ni malengo ya matumizi yanayotokana na wazo kwamba utabiri unaweza kuchangia katika upangaji bora wa nishati.