Ushbu tadqiqot aqlli binolarning soatlik energiya iste’molini qisqa va o‘rta muddatda bashorat qilish maqsadida xom sensor ma’lumotlaridan yakuniy prognozgacha bo‘lgan yaxlit mashinaviy o‘rganish tizimini taklif etadi. Tizim ma’lumotlarni tozalash, vaqt va ob-havo sharoitlariga bog‘liq xususiyatlarni muhandislik yo‘li bilan yaratish, gibrid xususiyat tanlash, xronologik o‘qitish–tekshirish–sinov bo‘linishi, oltita turli mashinaviy o‘rganish va chuqur o‘rganish modelini taqqoslash, Bayescha giperparametr optimallashtirish va eng muvaffaqiyatli modellarni stacking usuli bilan birlashtirishdan iborat.

Tadqiqotda Random Forest, XGBoost, LightGBM, CatBoost, Long Short-Term Memory (LSTM) va Gated Recurrent Unit (GRU) modellari bir xil tajriba protokoli doirasida taqqoslangan. Shuningdek, tekshirishdagi ishlashi eng yuqori bo‘lgan uch model — LightGBM, CatBoost va XGBoost prognozlari ridge regressiyaga asoslangan meta-o‘rganuvchi bilan birlashtirilib stacked ensemble yaratilgan.

Tizim ikkita ochiq ma’lumot manbasida baholangan: ASHRAE Great Energy Predictor III (GEPIII) va Building Data Genome Project 2 (BDG2). GEPIII tahlilida 380 ta, BDG2 tahlilida esa 250 ta bino ishlatilgan. Ishlash MAE, RMSE, MAPE va R² mezonlari bilan baholangan.

24 soat oldinga GEPIII prognozida yakka modellar orasida eng yaxshi natija LightGBM tomonidan olingan; model 15,47 kWh MAE, 23,58 kWh RMSE, %7,96 MAPE va 0,929 R² qiymatiga erishgan. LightGBM, CatBoost va XGBoost’ni birlashtirgan stacked ensemble esa ayni sinovda MAE’ni 13,92 kWh, RMSE’ni 21,34 kWh va MAPE’ni %7,11 gacha kamaytirib, R² qiymatini 0,941 gacha oshirgan.

BDG2 ma’lumotlar to‘plamida ham umumiy tartib saqlanib qolgan. Stacked ensemble 16,18 kWh MAE, 24,39 kWh RMSE, %8,60 MAPE va 0,921 R² bilan tadqiqotdagi eng muvaffaqiyatli yondashuv bo‘lgan. Shu tariqa ensemble yondashuvi eng yaxshi yakka model LightGBM’ga nisbatan MAE bo‘yicha GEPIII’da taxminan %10,0, BDG2’da esa taxminan %9,5 yaxshilanish bergani xabar qilingan.

Tadqiqotning yana bir muhim natijasi shuki, bino energiya prognozida faqat algoritm tanlovi emas, xususiyatlar muhandisligi ham hal qiluvchi ahamiyatga ega. GEPIII’dagi ablation tahlilida faqat taqvim o‘zgaruvchilari ishlatilganda MAPE %13,24 bo‘lgan, o‘tgan energiya iste’molining kechiktirilgan qiymatlari qo‘shilganda %10,02 gacha tushgan; rolling statistikalar, haroratga asoslangan daraja-soat o‘zgaruvchilari va bino metama’lumotlari qo‘shilgan sari MAPE %7,96 gacha kamaygan.

Turkiya nuqtayi nazaridan tadqiqot to‘g‘ridan-to‘g‘ri mahalliy bino energiya modeli yoki milliy tejash foizini bermaydi. Biroq aqlli hisoblagich, bino avtomatizatsiya tizimi, HVAC va meteorologik ma’lumotlar mavjud bo‘lgan binolarda o‘xshash prognoz arxitekturasini qanday qurish mumkinligi bo‘yicha uslubiy namuna taqdim etadi. Turkiyadagi qo‘llanmalar uchun modellar mahalliy iqlim, foydalanish jadvali, bino turi, energiya tarifi, muhandislik tizimlari va foydalanuvchi xulq-atvori ma’lumotlari bilan qayta o‘qitilishi hamda mustaqil dala tekshiruvdan o‘tkazilishi kerak.

Tadqiqot hal qilishga urinayotgan muammo nima?

Aqlli binolarda energiyani boshqarishning muhim talablaridan biri — bino bir necha soat yoki bir kun keyin qancha elektr, isitish yoki sovutish energiyasiga ehtiyoj sezishini imkon qadar aniq bashorat qilishdir. Bunday prognoz talab tomonini boshqarish, pik yukni kamaytirish, HVAC rejalashtirish, qayta tiklanuvchi energiyani integratsiya qilish va nosozliklarni aniqlash kabi ko‘plab ilovalarda qo‘llanishi mumkin.

Biroq bino energiya iste’moli chiziqli va o‘zgarmas jarayon emas. Tashqi havo harorati, namlik, quyosh nurlanishi, haftaning kuni, kunning soati, bino foydalanish maqsadi va ayniqsa oldingi soatlardagi iste’mol birgalikda ta’sir qilishi mumkin. Foydalanuvchilarning binoga kirib-chiqishi va HVAC uskunalarining ishlash jadvali ham iste’molda keskin o‘tishlarga sabab bo‘lishi mumkin.

Shu sababli tadqiqotchi bitta algoritmni baholash o‘rniga, bir xil ma’lumot tayyorlash va baholash sharoitlarida ham daraxtga asoslangan mashinaviy o‘rganish modellarini, ham takrorlanuvchi neyron tarmoqlarni taqqoslaydigan boshidan oxirigacha ish oqimini yaratgan.

Taklif etilgan mashinaviy o‘rganish ish oqimi qanday ishlaydi?

Tadqiqotning 11. sahifasidagi konseptual oqim diagrammasi xom ma’lumotdan energiyani boshqarishda ishlatilishi mumkin bo‘lgan prognozgacha ketma-ket tuzilmani ko‘rsatadi. Jarayon asosan quyidagi bosqichlardan iborat:

1. Aqlli hisoblagichlar, HVAC sensorlari, meteorologik ma’lumotlar va bino metama’lumotlarini yig‘ish.
2. Yo‘q qiymatlar, chet qiymatlar va vaqt tamg‘alarini qayta ishlash.
3. Taqvim, oldingi iste’mol, harakatlanuvchi statistika va meteorologiyaga asoslangan yangi xususiyatlarni yaratish.
4. Filtr va wrapper usullarini birlashtiruvchi gibrid xususiyat tanlash.
5. Ma’lumotlarni xronologik o‘qitish, tekshirish va sinov to‘plamlariga ajratish.
6. Random Forest, XGBoost, LightGBM, CatBoost, LSTM va GRU modellarini o‘qitish.
7. Bayescha giperparametr optimallashtirish.
8. Eng muvaffaqiyatli uch modelni ridge regressiya orqali stacking usulida birlashtirish.
9. MAE, RMSE, MAPE va R² yordamida ishlashni baholash.

Bu tuzilma modulli. Tadqiqotchining yondashuviga ko‘ra, ma’lum bir algoritm yoki xususiyat tanlash usuli keyinchalik o‘zgartirilishi mumkin, shu bilan birga ma’lumot tayyorlash va baholash protokoli saqlanadi.

Xom bino ma’lumotlari qanday tozalanadi?

Tadqiqot doirasida barcha ma’lumot oqimlari umumiy soatlik vaqt rezolyutsiyasiga keltiriladi. Uch soat yoki undan qisqa yo‘q ma’lumot bloklari chiziqli interpolatsiya bilan to‘ldiriladi. Uzoqroq bo‘shliqlarda oldingi haftaning ayni soati va ayni kun turidagi qiymatdan foydalanish taklif etiladi.

Chet qiymatlarni aniqlashda harakatlanuvchi yetti kunlik medianadan uch IQR tashqariga chiqqan kuzatuvlar va manfiy energiya iste’moli kabi jismonan real bo‘lmagan qiymatlar belgilanadi. Ushbu kuzatuvlar ham yo‘q qiymatlar uchun ishlatilgan yondashuv bilan qayta to‘ldiriladi.

Neyron tarmoq modellarida xususiyatlarga nol o‘rtacha va birlik dispersiya masshtablashi qo‘llanadi, daraxtga asoslangan modellarda esa ayni masshtablash ishlatilmaydi.

Nega vaqt ma’lumoti sinus va kosinus bilan kodlanadi?

Kunning soati kabi o‘zgaruvchilar davriydir. Soat 23 va soat 00 son jihatdan bir-biridan uzoq ko‘rinsa-da, aslida ular qo‘shni vaqt nuqtalaridir. Tadqiqotda soat ma’lumoti ushbu uzluksizlikni saqlash uchun sinus va kosinus juftligiga aylantiriladi:

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

Bu yerda h kunning soatini bildiradi. Xuddi shunday davriy kodlash haftaning kuni uchun ham qo‘llanadi.

O‘tgan iste’mol ma’lumoti qanday ishlatiladi?

Energiya iste’moli vaqt qatorlari odatda kuchli avtokorrelyatsiyaga ega. Binoning joriy iste’moli biroz oldingi yoki bir kun va bir hafta oldingi ayni soatdagi iste’mol bilan bog‘liq bo‘lishi mumkin. Shu sababli tadqiqotda iste’molning:

• 1 soat oldingi qiymati,
• 24 soat oldingi qiymati,
• 168 soat oldingi qiymati

xususiyat sifatida ishlatiladi.

Shuningdek, so‘nggi 3, 24 va 168 soatlik oynalar uchun harakatlanuvchi o‘rtacha va standart og‘ish yaratiladi. Harakatlanuvchi o‘rtacha umumiy trendni, harakatlanuvchi standart og‘ish esa iste’molning so‘nggi davrdagi o‘zgaruvchanligini modelga olib kiradi.

Tadqiqotning 25. sahifasidagi SHAP asosidagi LightGBM xususiyat muhimligi grafikida ham eng muhim xususiyat lag_1h bo‘lib ko‘rinadi. Undan keyin lag_24h, 24 soatlik harakatlanuvchi o‘rtacha va tashqi havo harorati keladi. Bu vizual natija ablation tahlilidagi kechiktirilgan xususiyatlarning katta hissasi bilan mos keladi.

Isitish va sovutish daraja-soatlari qanday hisoblanadi?

Tashqi havo haroratining bino energiya iste’moliga ta’sirini yanada bevosita ifodalash uchun 18 °C bazaviy haroratga asoslangan Heating Degree Hours va Cooling Degree Hours o‘zgaruvchilari yaratilgan:

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

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

Bu yerda T_b bazaviy haroratni, T_t esa t vaqtidagi tashqi havo quruq termometr haroratini bildiradi. Ushbu o‘zgartirish harorat bilan isitish/sovutish ehtiyoji o‘rtasidagi bog‘liqlikni modelga aniqroq ko‘rsatishni maqsad qiladi.

Jami qaysi xususiyatlar baholandi?

Tadqiqotning xususiyat havzasi bir nechta asosiy guruhga ajratilgan:

Dastlabki 27 nomzod xususiyat gibrid xususiyat tanlashdan so‘ng bino portfeliga qarab taxminan 16–19 xususiyatgacha qisqartiriladi.

Xususiyat tanlash qanday amalga oshiriladi?

Tadqiqot ikki bosqichli filtr-wrapper yondashuvidan foydalanadi. Birinchi bosqichda maqsad bilan aloqasi yuqori bo‘lgan xususiyatlarni aniqlash uchun mutual information va korrelyatsiya ma’lumotidan foydalaniladi; juda yuqori darajada bog‘liq xususiyatlardan birini chiqarish ko‘zda tutiladi.

Ikkinchi bosqichda Recursive Feature Elimination (RFE) qo‘llanadi. Eng kam hissa qo‘shadigan xususiyatlar navbat bilan olib tashlanadi va tekshirishdagi ishlash yaxshilanishi to‘xtaguncha jarayon davom etadi.

Manba matnida ushbu bo‘lim ta’rifida mutual information tushunchasi bilan |r| > 0,9 korrelyatsiya chegarasi bir xil izoh ichida ishlatilgan. Shu sababli filtrlash bosqichining amaliy tafsiloti matn jihatidan to‘liq bir ma’noli emas. Tadqiqot kodi ham ushbu versiyada taqdim etilmagani uchun bu bosqichni faqat maqola matniga asoslanib aynan qayta yaratish to‘liq tasdiqlanmaydi.

Random Forest qanday ishlatiladi?

Random Forest bootstrap namunalari ustida o‘qitilgan B ta regressiya daraxtining prognozlarini o‘rtachalaydi:

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

Tadqiqotda model ayniqsa geterogen va shovqinli bino ma’lumotlari uchun taqqoslash algoritmlaridan biri sifatida ishlatilgan.

XGBoost, LightGBM va CatBoost nimani anglatadi?

Uchala model ham gradient boosting oilasiga mansub. Zaif o‘rganuvchilar ketma-ket qo‘shilib, oldingi model xatosini kamaytirishga harakat qilinadi. Manbada umumiy boosting yangilanishi quyidagicha ifodalangan:

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

Bu yerda η o‘rganish tezligidir. XGBoost regularizatsiya va ikkinchi tartibli gradient ma’lumotidan foydalanadi, LightGBM esa histogramga asoslangan, leaf-wise daraxt o‘stirish yondashuviga ega. CatBoost ayniqsa kategorik o‘zgaruvchilarni bevosita qayta ishlashi va ordered boosting yondashuvi bilan ajralib turadi.

Tajriba natijalarida ushbu uch gradient boosting modeli tuzilgan va xususiyat muhandisligi qo‘llangan bino ma’lumotlarida LSTM va GRU’dan yuqori aniqlik ko‘rsatgan.

Nega LSTM va GRU taqqoslandi?

LSTM va GRU vaqt bo‘yicha uzoq bog‘liqliklarni modellashtirish uchun ishlab chiqilgan takrorlanuvchi neyron tarmoq arxitekturalaridir. LSTM kirish, unutish va chiqish eshiklari orqali o‘tgan ma’lumotning qancha qismi saqlanishini nazorat qiladi. GRU esa kamroq eshik va kamroq parametr bilan o‘xshash vazifani bajaradi.

Tadqiqotning 28. sahifasidagi o‘qitish va tekshirish loss egri chiziqlari GRU taxminan 27. epoch atrofida erta to‘xtashga yetganini; LSTM esa taxminan 33. epoch gacha davom etganini ko‘rsatadi. Tadqiqotchi buni GRU’ning sodda eshik tuzilishi va kamroq parametrlari bilan bog‘laydi.

Ushbu tadqiqot kontekstida ikki takrorlanuvchi tarmoq yakka holda gradient boosting modellaridan ustun kelmagan. Biroq tadqiqotchi notekis bandlik o‘tishlari va uzoqroq vaqt bog‘liqliklarida recurrent modellar boshqa xato xarakteriga ega bo‘lishi mumkinligini ta’kidlaydi.

Stacked ensemble qanday yaratiladi?

Tekshirish R² ko‘rsatkichi eng yuqori bo‘lgan uch asosiy model prognozlari yangi ma’lumot matritsasi sifatida ishlatiladi va ridge regressiya meta-o‘rganuvchi o‘qitiladi:

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

Ridge regularizatsiya esa meta-modelning bitta asosiy o‘rganuvchiga haddan tashqari og‘irlik berishini kamaytirishni maqsad qiladi:

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

Yakuniy ensemble LightGBM, CatBoost va XGBoost’dan tashkil topgan.

Giperparametrlar qanday optimallashtirildi?

Har bir model uchun Bayescha optimallashtirish va Tree-structured Parzen Estimator yondashuvi qo‘llangan. GEPIII tekshirish to‘plamida har bir model uchun 50 ta optimallashtirish sinovi bajarilgan.

Masalan, Random Forest uchun daraxtlar soni 100–800, XGBoost uchun 100–1.000, LightGBM uchun barglar soni 15–255 oralig‘ida qidirilgan. LSTM va GRU uchun 32–256 hidden unit, 1–3 qatlam, 0–0,5 dropout, 32–256 batch size va 10⁻⁴–10⁻² o‘rganish tezligi baholangan.

Qaysi ma’lumotlar to‘plamlari ishlatilgan?

GEPIII ma’lumotlar to‘plamining asl manbasi 1.400 dan ortiq binoni o‘z ichiga olgan bo‘lsa, tadqiqotda bir yillik ma’lumotining kamida %90 qismi to‘liq bo‘lgan va belgilangan foydalanish turlariga kiradigan taxminan 380 bino qoldirilgan. BDG2 uchun elektr o‘lchovi va meteorologik yozuvlari yetarli bo‘lgan 250 bino tanlangan.

O‘qitish va sinov ma’lumotlari qanday ajratildi?

Kelajak kuzatuvlarining o‘tmishga sizib kirishini oldini olish uchun vaqt qatori xronologik ravishda %70 o‘qitish, %15 tekshirish va %15 sinov bo‘limlariga ajratilgan. O‘qitish va tekshirish bo‘limlarida qo‘shimcha ravishda xronologik, bir-birini qoplamaydigan besh qatlamli blocked time-series cross-validation qo‘llangan.

Neyron tarmoqlarda validation loss uchun patience = 10 epoch erta to‘xtatish ishlatilgan va stoxastik o‘zgaruvchanlikni kamaytirish uchun beshta turli tasodifiy boshlanish natijalari baholangan.

Model ishlashi qaysi mezonlar bilan baholandi?

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 o‘rtacha mutlaq xato kattaligini, RMSE katta xatolarni kuchliroq jazolaydigan xato darajasini, MAPE nisbiy foiz xatosini, R² esa kuzatilgan dispersiyaning model izohlashi mumkin bo‘lgan qismini ko‘rsatadi.

GEPIII’da qaysi model muvaffaqiyatliroq bo‘ldi?

24 soat oldinga prognozda ensemble to‘rtta mezonda ham eng yaxshi qiymatni bergan. Tadqiqotning 24. sahifasidagi kuzatilgan–bashorat qilingan iste’mol grafikida ham nuqtalarning katta qismi 1:1 ma’lumot chizig‘i atrofida to‘plangan.

Natijalar boshqa ma’lumotlar to‘plamida saqlandimi?

BDG2 tahlilida ham stacked ensemble eng past xato va eng yuqori R² qiymatiga erishgan:

Biroq bu tajriba bir binodan boshqasiga modelni noldan qayta o‘qitmasdan to‘g‘ridan-to‘g‘ri uzatishni anglatmaydi. Tadqiqot izohiga ko‘ra, ayni xususiyat muhandisligi tizimi va giperparametr yondashuvi BDG2’da qayta o‘qitiladi. Shuning uchun natijalar uslubiy ko‘chuvchanlikni qo‘llab-quvvatlaydi; o‘qitilgan bitta GEPIII modeli BDG2 binolarida bevosita ishlashini isbotlamaydi.

Xususiyat muhandisligi ishlashni qanchalik o‘zgartirdi?

Eng katta yagona sakrash o‘tgan iste’mol o‘zgaruvchilari qo‘shilganda kuzatilgan. Faqat taqvim xususiyatlariga nisbatan MAPE %13,24 dan %10,02 gacha tushgan. Bu natija energiya iste’molining yaqin o‘tmishi 24 soat oldinga prognoz uchun kuchli axborot berishini ko‘rsatadi.

Murakkabroq model tezroqmi?

Yo‘q. Tadqiqotning hisoblash xarajati jadvalida LightGBM ham yuqori aniqlik, ham past hisoblash xarajati bilan ajralib turadi.

LightGBM’ning 41 soniyalik xabar qilingan o‘qitish vaqti LSTM’ning 1.284 soniyalik vaqtidan taxminan 31 marta kam. Biroq bu qiymatlar faqat tadqiqotda ishlatilgan apparat va tajriba tartibi uchun amal qiladi; boshqa ma’lumot hajmi va apparatda ayni vaqtlar kutilmasligi kerak.

Ensemble ustunligi statistik jihatdan sinovdan o‘tkazildimi?

GEPIII sinov to‘plamida stacked ensemble mutlaq xatolari bilan har bir asosiy model mutlaq xatolari o‘rtasida juftlangan t-testlar qo‘llangan. Barcha taqqoslashlarda p < 0,001 xabar qilingan.

Ushbu testlar tadqiqotning o‘z GEPIII namunasida ensemble xato kamayishining tanlanma o‘zgaruvchanligi bilan izohlanish ehtimoli past ekanini ko‘rsatadi. Biroq statistik ahamiyat turli real bino parklarida ayni kattalikdagi ishlash yutug‘i kafolatlanishini anglatmaydi.

Prognoz muddati 48 soatga chiqqanda nima bo‘ladi?

Tadqiqotning 32. sahifasidagi sezgirlik grafigi 1 soatdan 48 soatgacha besh muvaffaqiyatli modelning MAPE o‘zgarishini ko‘rsatadi. Prognoz ufqi uzaygan sari barcha modellarda xato ortadi.

Stacked ensemble barcha ko‘rib chiqilgan prognoz ufqlarida eng past MAPE’ni saqlagan. Eng yaxshi yakka model LightGBM bilan ensemble o‘rtasidagi farq taxminan 1 soatlik prognozda 0,7 foiz punkt bo‘lsa, 48 soatda 1,1 foiz punktga ko‘tarilgan.

LSTM va GRU xato o‘sish qiyaliklari ayrim boosting modellariga qaraganda yotiqroq bo‘lsa-da, tadqiqotda ko‘rib chiqilgan 1–48 soat oralig‘ida gradient boosting modellarining aniqligidan oshmagan.

Tadqiqot real bino boshqaruvida nimani taklif qiladi?

Tadqiqotchi olingan prognozlarni talab tomonidagi ishtirok, HVAC set qiymatlarini oldindan sozlash, pik yukni boshqarish va prognoz–haqiqiy iste’mol farqlarini anomaliya ko‘rsatkichi sifatida ishlatish kabi ilovalarga ko‘chirish mumkinligini bildiradi.

Ayniqsa LightGBM’ning past o‘qitish va inference xarajati apparat resurslari cheklangan mahalliy BEMS yoki edge ilovalari uchun afzallik sifatida baholanadi. Ensemble esa aniqlik iqtisodiy jihatdan muhimroq bo‘lgan ilovalarda tanlanishi mumkin bo‘lgan og‘irroq variant sifatida taklif etiladi.

Biroq tadqiqotda real binoning HVAC boshqaruv konturi ishlatilmagan, energiya hisob-kitobi yoki jismoniy energiya iste’molida tajribaviy tejash o‘lchanmagan va real talab javobi bozorida taklif berilmagan. Bular tadqiqotchining natijalardan kelib chiqqan potensial foydalanish sohalaridir.

Tadqiqot nimani aytadi va nimani aytmaydi?

Tadqiqotning aytadigani: Ikki ochiq bino ma’lumotlar to‘plamida, ayni ma’lumot tayyorlash va baholash tizimi ostida gradient boosting modellari yakka LSTM va GRU modellaridan yaxshiroq prognoz aniqligi bergan. Eng yaxshi uch gradient boosting modelini stacking bilan birlashtirish har ikki ma’lumotlar to‘plamida qo‘shimcha aniqlik yutug‘ini bergan. Ayniqsa o‘tgan iste’mol, harakatlanuvchi statistika va ob-havodan yaratilgan xususiyatlar prognoz ishlashida muhim rol o‘ynagan.

Tadqiqotning aytmaydigani: LightGBM barcha bino turlarida yoki barcha iqlimlarda doimo LSTM’dan ustun ekanini isbotlamaydi. Tadqiqot real vaqtli bino avtomatizatsiya tizimida dala tajribasi emas. Xabar qilingan pastroq prognoz xatosi to‘g‘ridan-to‘g‘ri ma’lum foiz energiya tejashga olib kelishini ko‘rsatmaydi. Xuddi shuningdek, BDG2 tahlili o‘qitilgan GEPIII modelini qayta o‘qitmasdan boshqa binolarga ko‘chirish mumkinligini isbotlamaydi.

Tadqiqot usuli va natijalari

Tajriba dizaynining qisqacha mazmuni

• Asosiy muammo: Aqlli binoning soatlik energiya iste’molini prognoz qilish.
• Asosiy prognoz ufqi: 24 soat oldinga.
• Qo‘shimcha sezgirlik: 1–48 soat oldinga prognoz.
• Ma’lumotlar to‘plami: ASHRAE GEPIII va Building Data Genome Project 2.
• GEPIII namunasi: 380 bino.
• BDG2 namunasi: 250 bino.
• Asosiy vaqt rezolyutsiyasi: Soatlik.
• Modellar: Random Forest, XGBoost, LightGBM, CatBoost, LSTM va GRU.
• Ensemble: LightGBM + CatBoost + XGBoost; ridge regression meta-o‘rganuvchi.
• Ma’lumot bo‘linishi: %70 o‘qitish, %15 tekshirish, %15 sinov; xronologik.
• Cross-validation: Besh qatlamli blocked time-series cross-validation.
• Giperparametr optimallashtirish: Bayescha optimallashtirish; har bir modelga 50 tekshirish sinovi.
• Baholash: MAE, RMSE, MAPE va R².

GEPIII’dagi asosiy natija

24 soat oldinga prognozda eng yaxshi yakka model LightGBM: MAE 15,47 kWh, RMSE 23,58 kWh, MAPE %7,96 va R² 0,929. Stacked ensemble bu qiymatlarni mos ravishda 13,92 kWh, 21,34 kWh, %7,11 va 0,941 gacha olib borgan.

LightGBM bilan taqqoslaganda ensemble MAE kamayishi taxminan:

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

darajasidadir.

BDG2’dagi asosiy natija

Eng yaxshi yakka model yana LightGBM bo‘lib, 17,88 kWh MAE, 26,77 kWh RMSE, %9,48 MAPE va 0,909 R² hosil qilgan. Stacked ensemble 16,18 kWh MAE, 24,39 kWh RMSE, %8,60 MAPE va 0,921 R² ga erishgan.

LightGBM’ga nisbatan ensemble MAE kamayishi taxminan:

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

deb hisoblanadi.

Xususiyat muhandisligining asosiy natijasi

LightGBM ablation tajribasida faqat taqvim xususiyatlari bilan R² 0,847 va MAPE %13,24 bo‘lgan, barcha xususiyatlar ishlatilganda esa R² 0,929 gacha ko‘tarilib, MAPE %7,96 gacha tushgan. Eng katta yagona bosqichli yutuq lagged consumption xususiyatlari qo‘shilishi bilan yuz bergan.

Tezlik–aniqlik muvozanati

Yakka modellar orasida LightGBM ham yuqori aniqligi, ham xabar qilingan 41 soniyalik o‘qitish vaqti va 0,09 ms/namuna inference kechikishi tufayli tadqiqotdagi eng kuchli aniqlik–hisoblash xarajati muvozanatlaridan birini taklif qiladi.

Stacked ensemble yuqoriroq aniqlik beradi, biroq 1.637 soniyalik jami o‘qitish vaqti va 1,85 ms/namuna kechikish bilan yuqoriroq hisoblash xarajatiga ega. Shu sababli tadqiqot natijalari “har doim ensemble ishlatilishi kerak” deb talqin qilinmasligi lozim; ishlash ehtiyoji va hisoblash resursi o‘rtasida tanlov mavjud.

Ilmiy cheklovlar

• Natijalar ikki ochiq ma’lumotlar to‘plamiga asoslangan; jonli bino avtomatizatsiya tizimida dala tekshiruvi qilinmagan.
• BDG2 taqqoslash ayni metodologik tizimning boshqa ma’lumotda qayta o‘qitilishidir; qayta o‘qitishsiz cross-building transfer sinovi emas.
• Xabar qilingan hisoblash vaqtlari faqat ishlatilgan apparat va tajriba tartibi uchun amal qiladi.
• Tadqiqot nuqtaviy prognoz qiladi; prognoz noaniqligi yoki kalibrlangan ehtimollik intervali baholanmagan.
• Transformer yoki attention asosidagi modellar ayni tajriba tartibida taqqoslanmagan.
• Real vaqtli energiya tariflari, batafsil bandlikni aniqlash va plug-load ajratish asosiy tajribalarda mavjud emas.
• Manba kodi va o‘qitilgan model artefaktlari ochiq ulashilgani ushbu versiyada ko‘rsatilmaganligi sababli to‘liq mustaqil qayta ishlab chiqish tasdiqlanmaydi.
• Xususiyat filtrlash izohidagi mutual information va korrelyatsiya chegarasi terminologiyasi to‘liq bir ma’noli emas.
• Manba matnida ayrim shakl raqamlari va model nomlashlarda tahririy nomuvofiqliklar mavjud.

Kelajak tadqiqot takliflari

Tadqiqot kelajakda nuqtaviy prognoz o‘rniga ehtimollik prognozlari, Transformer va attention arxitekturalari, federated learning, transfer learning, batafsilroq bandlik va plug-load ma’lumotlari hamda dinamik elektr narxlarini baholashni taklif qiladi.

Ayniqsa federated learning turli bino yoki muassasalarning xom energiya iste’moli ma’lumotlarini yagona markazda to‘plamasdan umumiy model o‘qitishi mumkinligi jihatidan tadqiqot yo‘nalishi sifatida qayd etilgan. Transfer learning esa yangi yoki ma’lumot jihatdan kambag‘al binolarda dastlabki ma’lumot ehtiyojini kamaytirishi mumkin bo‘lgan potensial yondashuv sifatida taqdim etilgan.

Manba va usul eslatmasi

Asl tadqiqot nomi: A Machine Learning-Based Framework for Predicting Energy Consumption in Smart Buildings

Muallif: Sun Tao

Muallif shaxsi haqida eslatma: Yuklangan tadqiqot matnining ko‘rinadigan birinchi sahifasida muallif yoki muassasa ma’lumoti mavjud emas. Sun Tao va Zhejiang University ma’lumotlari tadqiqot ko‘rsatgan SSRN Abstract 7199510 rasmiy bibliografik yozuvi orqali tasdiqlangan.

Teng hissa/teng birinchi muallif: Yakka muallifli yozuv bo‘lgani uchun teng birinchi mualliflik ma’lumoti mavjud emas.

Aloqa muallifi: SSRN yozuvida Sun Tao contact author sifatida ko‘rsatilgan.

Muassasa: Zhejiang University.

DOI: 10.2139/ssrn.7199510

Nashr platformasi: SSRN, Abstract 7199510.

Jurnal: Taqrizdan o‘tgan jurnal nashri tasdiqlanmagan.

Nashr yili: 2026.

Manba turi: Mashinaviy o‘rganish va bino energiya iste’molini prognoz qilish bo‘yicha tajribaviy model taqqoslashini o‘z ichiga olgan tadqiqot preprinti.

Taqriz holati: Tadqiqotning joriy versiyasi taqrizdan o‘tmagan preprintdir. Manbaning har bir sahifasida “Preprint not peer reviewed” iborasi mavjud.

Rasmiy havola: SSRN Abstract 7199510.

Bibliografik identifikatsiya eslatmasi: Xuddi shu tadqiqot nomi va katta darajada bir xil annotatsiya bilan boshqa muallif va boshqa SSRN raqami ostida indekslangan boshqa yozuv ham onlayn manbalarda ko‘rinadi. Yuklangan tadqiqot har bir sahifada 7199510 raqamli yozuvga bog‘langani sababli ushbu kontentda faqat 7199510 bibliografik identifikatsiyasi asos qilib olingan.

Ushbu Verianla kontentidagi usul, ma’lumotlar to‘plami, formula, ishlash qiymati, xususiyat muhimligi tartibi, hisoblash xarajati va tadqiqot natijasi faqat ko‘rib chiqilgan tadqiqotga asoslanadi. Tashqi manbalar ilmiy natijalarni kengaytirish uchun ishlatilmagan; faqat tadqiqotning bibliografik identifikatsiyasi, muallifi, muassasasi va DOI ma’lumotlarini tasdiqlash maqsadida foydalanilgan.

Tadqiqot natijalari ochiq benchmark ma’lumotlar to‘plamlarida olingan prognoz ishlashidir. Real binoda energiya tejash, HVAC boshqaruv muvaffaqiyati, xarajatni kamaytirish yoki talab javobi daromadi dala sharoitida tasdiqlangan degan xulosaga kelib bo‘lmaydi. Shuningdek, boshqa bino va iqlimlarga tatbiq etish ayni ma’lumot tayyorlash va modellashtirish tizimini mahalliy ma’lumotlarda qayta o‘qitish va mustaqil tasdiqlashni talab qiladi.