Ushbu tadqiqot Colorado shtatining Boulder shahrida 2018-2025 yillarda qayd etilgan elektr transport vositalarini quvvatlash energiyasi ma’lumotlaridan foydalanib kunlik va yillik energiya talabini prognoz qiladi. Tadqiqotda daraxtga asoslangan XGBoost va LightGBM modellari CNN-LSTM va GRU chuqur o‘rganish modellari bilan taqqoslangan; quvvatlash yozuvlari meteorologik o‘zgaruvchilar, taqvim xususiyatlari, quvvatlash stansiyasidan foydalanish ko‘rsatkichlari, kechiktirilgan qiymatlar va harakatlanuvchi oyna statistikasi bilan birlashtirilgan. Kunlik prognoz mezonlarida eng yaxshi natijani XGBoost bergan: NMAE %6,5758, NRMSE %8,8034, R² 0,9075 va MAPE %6,6540. Biroq natijalar bitta shaharning quvvatlash tarmog‘iga, izohlanmagan ayrim model giperparametrlariga va kelajakdagi foydalanish o‘zgaruvchilari qanday hosil qilingani ko‘rsatilmagan prognoz tuzilmasiga asoslangani sababli turli shahar va tarmoqlarga bevosita umumlashtirib bo‘lmaydi.

2025 yilgi haqiqiy quvvatlash energiyasi iste’moli 520.594,449 kWh deb hisoblangan. Infratuzilma quvvatini yetarlicha rejalashtirmaslik xavfini kamaytirish uchun yillik prognozlarga taxminan %1 xavfsizlik zaxirasi qo‘llangan va to‘rtta model ham 2025 yil uchun taxminan 525.800 kWh darajasiga kalibrlangan. Shu sababli modellar o‘rtasidagi asosiy taqqoslash ataylab bir-biriga yaqinlashtirilgan 2025 yilgi yillik jamlamalardan ko‘ra kunlik xato mezonlariga tayanishi kerak. Modellarning 2026 yil uchun umumiy energiya prognozlari 575.387,001 dan 638.291,622 kWh gacha o‘zgargan; daraxtga asoslangan ikki model 635.226,756-638.291,622 kWh oralig‘ida natija bergan.

Turkiya nuqtayi nazaridan tadqiqot elektr transport vositalarini quvvatlash infratuzilmasini faqat mavjud transport vositalari soniga qarab emas, balki stansiyadan foydalanish, quvvatlash davomiyligi, ob-havo sharoitlari, taqvim ta’sirlari va o‘tmishdagi iste’mol naqshlarini birgalikda baholab rejalashtirish mumkinligini ko‘rsatadi. Biroq Boulder ma’lumotlarida o‘qitilgan model natijalarini Turkiya uchun bevosita quvvat maqsadi sifatida ishlatib bo‘lmaydi. Turkiyada qo‘llanadigan tizim mahalliy stansiya yozuvlari, mintaqaviy iqlim, bayram taqvimi, foydalanish xatti-harakatlari, quvvatlash quvvati taqsimotlari va elektr transport vositalarining ommalashish tendensiyalari asosida qayta o‘qitilishi hamda haqiqiy kelajak ma’lumotlarida tasdiqlanishi kerak.

Tadqiqotning asosiy savoli nima?

Tadqiqotning asosiy savoli — tuzilmaviy elektr transport vositasi quvvatlash ma’lumotlarida daraxtga asoslangan mashinaviy o‘rganish usullarimi yoki ketma-ket ma’lumotlarni qayta ishlovchi chuqur o‘rganish modellari kunlik talabni aniqroq prognoz qiladimi. Tadqiqot, shuningdek, yillik quvvatni rejalashtirishda talabni kam baholashni kamaytirish uchun doimiy xavfsizlik zaxirasini prognozlarga qanday qo‘llash mumkinligini o‘rganadi.

Taqqoslashga kiritilgan to‘rtta model quyidagilar:

• XGBoost: Xatolarni ketma-ket qaror daraxtlari yordamida kamaytiradigan gradient boosting modeli.
• LightGBM: Bargga yo‘naltirilgan o‘sishdan foydalanadigan, tuzilmaviy ma’lumotlar uchun ishlab chiqilgan gradient boosting modeli.
• CNN-LSTM: Mahalliy vaqt naqshlarini konvolyutsion qatlamlar bilan, uzoqroq muddatli bog‘liqliklarni esa LSTM qatlamlari bilan o‘rganadigan gibrid model.
• GRU: Yangilash va tiklash darvozalari orqali vaqt bog‘liqliklarini qayta ishlaydigan takrorlanuvchi neyron tarmoq modeli.

Tadqiqot adabiyotdagi qaysi bo‘shliqni nishonga oladi?

Tadqiqotning adabiyot sharhi LSTM, GRU, transformer tarmoqlar, vaqtli konvolyutsion tarmoqlar, ehtimollik prognozi, ansambl o‘rganish va gibrid modellardan elektr transport vositalari quvvatlash talabida ilgari foydalanilganini ko‘rsatadi. Tadqiqotchilar ushbu bilimlar doirasida bir xil ma’lumot va xususiyatlar muhandisligi asosida ikkita kuchli daraxtga asoslangan usul bilan ikkita chuqur o‘rganish usulini taqqoslaydigan hamda yillik infratuzilma rejalashtirishiga doimiy xavfsizlik zaxirasini qo‘llaydigan tuzilma taklif qiladi.

Tadqiqotning o‘ziga xos yondashuvi faqat eng past prognoz xatosini izlashdan iborat emas. Tadqiqotchilar quvvatni rejalashtirishda haqiqiy talabdan past prognoz stansiya yetishmovchiligiga olib kelishi mumkin degan fikr bilan 2025 yilgi yillik jami qiymatni haqiqiy iste’moldan taxminan %1 yuqorida ushlab turuvchi kalibrlashni qo‘llagan. Biroq bu xavfsizlik zaxirasi statistik ishonch oralig‘i yoki ehtimollik noaniqligi modeli emas; oldindan belgilangan doimiy rejalashtirish marjasidir.

Ma’lumotlar to‘plami qanday tuzilgan?

Maqsadli o‘zgaruvchi — kunlik jami elektr transport vositasi quvvatlash energiyasi bo‘lib, kilovatt-soatda o‘lchangan. Xom ma’lumotlar quvvatlash seansi darajasida. Bir kun ichidagi barcha quvvatlash seanslarining energiya miqdorlari yig‘ilib, kunlik iste’mol hosil qilingan. Kunlik jamlamalarni yillik jamlamalar bilan taqqoslashda 2018-2025 davrining barchasi uchun farq nol ekani bildirilgan. Ushbu nazorat seans ma’lumotlarini kunlarga aylantirish vaqtida yillik energiya jamlamasi yo‘qolmaganini ko‘rsatadi.

Yillik iste’mol grafigi qator chiziqli va uzluksiz o‘sishni kuzatmaganini ko‘rsatadi. Xususan, 2020 yildagi pasayish, 2022 yildagi sakrash, 2024 yildagi cheklangan orqaga ketish va 2025 yildagi kuchli o‘sish modeldan oddiy chiziqli trenddan murakkabroq naqshlarni o‘rganishni talab qiladi. Tadqiqot ushbu o‘zgarishlarning sababiy izohini bevosita sinamaydi.

Qaysi kirish o‘zgaruvchilari ishlatilgan?

Model kirishlari beshta asosiy guruhga jamlanishi mumkin.

Meteorologik va tashqi o‘zgaruvchilar

• Maksimal va minimal harorat
• Yog‘ingarchilik
• Qor va qor qalinligi
• Joriy, minimal, maksimal va o‘rtacha namlik
• Joriy, minimal, maksimal va o‘rtacha bosim
• COVID mavjudligi va COVID og‘irligi ko‘rsatkichlari
• Bayram kunlari

COVID ko‘rsatkichlari va bayram o‘zgaruvchilari qanday kodlangani, qaysi chegaralar qo‘llangani yoki ularning kelajakdagi qiymatlari qanday belgilanishi tushuntirilmagan. Bayram ma’lumoti ham meteorologik emas, balki tashqi taqvim o‘zgaruvchisidir; manbada bu unsurlar bir xil xususiyatlar ro‘yxatida taqdim etilgan.

Quvvatlash tarmog‘idan foydalanish xususiyatlari

• Kunlik quvvatlash seanslari soni
• Faol stansiyalar soni
• Quvvatlash soatlari
• Jami seans davomiyligi

Bu o‘zgaruvchilar kunlik energiya iste’moli bilan bevosita bog‘liq foydalanish ko‘rsatkichlaridir. Ammo haqiqiy kelajak prognozida kelajakdagi seanslar soni, faol stansiyalar soni va umumiy quvvatlash davomiyligi oldindan qanday ma’lum bo‘lishi yoki alohida qanday prognoz qilinishi tushuntirilmagan. Bu kamchilik, ayniqsa, 2026 yil prognozlarini dala sharoitida qayta ishlab chiqish nuqtayi nazaridan muhim.

Taqvim xususiyatlari

• Yil, oy va oyning kuni
• Haftaning kuni va yilning kuni
• Yilning haftasi
• Dam olish kuni ko‘rsatkichi
• Oy, haftaning kuni va yilning kuni uchun sinus-kosinus o‘zgartirishlari

Sinus va kosinus o‘zgartirishlari dekabr bilan yanvar yoki yakshanba bilan dushanba kabi siklik jihatdan bir-biriga yaqin davrlarni son jihatdan ham yaqin ifodalashni maqsad qiladi.

Kechiktirilgan energiya qiymatlari

Model kirishlariga avvalgi 1, 2, 3, 7, 14, 30, 60, 90 va 365 kunning energiya iste’moli qo‘shilgan. Qisqa kechikishlar kunlik o‘zgarishlarni, 7 va 14 kunlik kechikishlar haftalik naqshlarni, 365 kunlik kechikish esa yillik mavsumiylikni ifodalashni maqsad qiladi.

Harakatlanuvchi oyna statistikasi

Avvalgi 7, 14 va 30 kun uchun harakatlanuvchi o‘rtacha, standart og‘ish, minimal va maksimal qiymatlar hisoblangan. Bu statistika modelga faqat bir kun avvalgi qiymatga emas, balki yaqin davrdagi umumiy daraja, o‘zgaruvchanlik va ekstremal qiymatlarga ham qarash imkonini beradi.

Ish jarayoni qanday davom etadi?

Tadqiqotning ish jarayoni sxemasi ikki ma’lumot manbasi bilan boshlanadi: 2018-2025 yillardagi Boulder quvvatlash seansi yozuvlari va kunlik ob-havo ma’lumotlari. Vaqt belgilarini o‘zgartirish, yaroqsiz qatorlarni chiqarib tashlash, kunlik energiyani agregatsiyalash va sanalarni moslashtirishdan so‘ng xususiyatlar muhandisligi qo‘llangan. Bir xil xususiyatlar to‘plami XGBoost, LightGBM, CNN-LSTM va GRU modellariga uzatilgan.

Sxema kengayib boruvchi vaqt oynali tekshirish tuzilmasini ko‘rsatadi: avval 2018 bilan o‘qitish va 2019 bilan test qilish, keyin 2018-2019 bilan o‘qitish va 2020 bilan test qilish; bu jarayon 2018-2024 bilan o‘qitish va 2025 bilan testgacha davom ettirilishi ko‘zda tutilgan. Asosiy usul tavsifida esa yakuniy tekshirish ayniqsa 2018-2024 o‘qitish davri va 2025 test davri orqali belgilangan. Keyin modellar 2018-2025 ma’lumotlarining barchasi bilan qayta o‘qitilib, 2026 yil prognozi ishlab chiqilgan.

Nega xavfsizlik zaxirasi qo‘llangan?

Quvvatlash infratuzilmasini yetarli bo‘lmagan quvvat bilan qurish haqiqiy iste’mol prognozdan yuqori bo‘lgan davrlarda xizmat yetishmovchiligiga olib kelishi mumkin. Tadqiqotchilar ushbu xavfni kamaytirish uchun 2025 yilgi yillik energiya jamlamasini haqiqiy qiymatdan taxminan %1 yuqorida ushlab turuvchi kalibrlashni qo‘llagan.

Bu jarayonning muhim oqibati bor: 2025 yilgi yillik prognozlar modellarning tabiiy yoki xom jami prognozlari emas. Prognozlar ataylab bir xil yillik maqsadga yaqinlashtirilgan. Shu sababli XGBoost yaxshiroq model ekaniga dalil 2025 jami qiymatining haqiqiy qiymatga yaqinligidan emas, balki NMAE, NRMSE, R² va MAPE kabi kunlik samaradorlik mezonlaridan kelib chiqadi.

Grafiklar va jadvallar nimani ko‘rsatadi?

Model mezonlarini taqqoslaydigan grafikda XGBoost NMAE, NRMSE va MAPE bo‘yicha eng past xato qiymatlariga hamda eng yuqori R² qiymatiga ega. LightGBM barcha mezonlarda XGBoost ga yaqin ikkinchi o‘rinda. Chuqur o‘rganish modellarida GRU NMAE va MAPE bo‘yicha CNN-LSTM dan yaxshiroq; CNN-LSTM esa NRMSE va R² bo‘yicha GRU dan juda oz yaxshiroq natija bergan.

2025 va 2026 energiya qiymatlarini taqqoslaydigan grafikda barcha modellarning 2025 ustunlari taxminan 525.800 kWh darajasida to‘planadi. Bu ko‘rinish mustaqil model o‘xshashligidan ko‘ra xavfsizlik zaxirasi kalibrlashining natijasidir. 2026 ustunlari esa aniq ajraladi: eng past prognozni CNN-LSTM, eng yuqori prognozni LightGBM bergan.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Ushbu ma’lumotlar to‘plami va qo‘llangan xususiyatlar muhandisligi tuzilmasida XGBoost kunlik prognozda eng yaxshi natijalarni bergan.
• LightGBM XGBoost ga yaqin samaradorlik ko‘rsatgan va 2026 yil uchun eng yuqori jami qiymatni prognoz qilgan.
• Daraxtga asoslangan ikki model kunlik xato mezonlarida CNN-LSTM va GRU dan yaxshiroq natija ko‘rsatgan.
• Taqvim, ob-havo, foydalanish, kechikish va harakatlanuvchi oyna xususiyatlari birgalikda qo‘llanadigan tuzilmaviy prognoz tizimi qurish mumkin bo‘lgan.
• Doimiy xavfsizlik zaxirasi infratuzilma rejalashtirish prognozini haqiqiy yillik jamlamadan ataylab yuqorida ushlab turishi mumkin.

Tadqiqot isbotlamaydigan xulosalar

• XGBoost barcha shaharlarda va barcha elektr transport vositasi quvvatlash ma’lumotlar to‘plamlarida chuqur o‘rganishdan ustun ekani isbotlanmagan.
• 2026 yilda haqiqiy iste’mol aniq 635.000-638.000 kWh bo‘lishi ko‘rsatilmagan.
• %1 xavfsizlik zaxirasi iqtisodiy jihatdan eng maqbul yoki tarmoq ishonchliligi uchun yetarli ekani sinovdan o‘tkazilmagan.
• Model natijalari ehtimollik ishonch oralig‘i, oshib ketish ehtimoli yoki xavf taqsimotini taqdim etmaydi.
• Model yangi stansiyalar qayerda qurilishi kerakligini aniqlamaydi.
• Tadqiqot quvvatlash talabidagi yillik o‘zgarishlar sabablarini sababiy jihatdan tushuntirmaydi.
• Boulder ma’lumotlaridan olingan natijalarni boshqa mamlakat va shaharlarga bevosita ko‘chirish mumkin emas.

O‘tmish, bugun va kelajak nuqtayi nazaridan ahamiyati

O‘tgan davr ma’lumotlari quvvatlash talabi yildan yilga muntazam o‘smaganini va talab prognozida ham qisqa muddatli, ham mavsumiy xususiyatlar zarurligini ko‘rsatadi. Bugungi nuqtayi nazardan tadqiqot nisbatan klassik daraxtga asoslangan modellar yaxshi tayyorlangan jadval ma’lumotlarida murakkab chuqur o‘rganish arxitekturalaridan aniqroq va tezroq bo‘lishi mumkinligini ko‘rsatadi.

Kelajak nuqtayi nazaridan asosiy hissa elektr transport vositasi quvvatlash infratuzilmasini faqat o‘tmishdagi jami iste’mol asosida emas, balki foydalanuvchi faolligi, stansiyadan foydalanish, taqvim, ob-havo va vaqt qatori xususiyatlari birgalikda qayta ishlanadigan prognoz tizimi bilan rejalashtirish mumkinligini ko‘rsatishidir. Biroq haqiqiy rejalashtirish qarorlari uchun xarajat tahlili, tarmoq cheklovlari, mintaqaviy talab, noaniqlik oraliqlari va kelajakdagi mustaqil tekshirish zarur.

Tadqiqot usuli va natijalari

Ma’lumotlarni oldindan qayta ishlash

Bir kunda sodir bo‘lgan barcha quvvatlash seanslarining energiyasi quyidagi yig‘indi bilan kunlik energiyaga aylantirilgan:

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

Bu yerda E_d, d kunidagi jami quvvatlash energiyasini; E_i, shu kundagi i raqamli quvvatlash seansining energiyasini; n_d esa o‘sha kuni sodir bo‘lgan jami seanslar sonini ko‘rsatadi. Energiya birligi kWh.

Siklik taqvim o‘zgartirishlari

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

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

X, oy yoki haftaning kuni kabi siklik taqvim o‘zgaruvchisini; P esa o‘zgaruvchining davrini ifodalaydi. Masalan, oy o‘zgaruvchisi uchun davr 12. Ikki o‘zgartirish birgalikda ishlatilganda davrning sikldagi o‘rni bitta chiziqli son o‘rniga aylana ko‘rinishida ifodalanadi.

Kechikish va harakatlanuvchi o‘rtacha xususiyatlari

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

Lag_k(d), prognoz qilinayotgan kundan k kun oldin o‘lchangan energiya iste’molidir.

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

Bu tenglama prognoz kunidan oldingi k kunning o‘rtacha energiya iste’molini hisoblaydi. Tadqiqotda k qiymati 7, 14 va 30 kun sifatida ishlatilgan; shu oynalar uchun standart og‘ish, minimal va maksimal qiymatlar ham yaratilgan.

XGBoost maqsad funksiyasi

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

L, haqiqiy qiymat y_i bilan prognoz \hat{y}_i o‘rtasidagi yo‘qotishni; Ω(f_k) esa k raqamli daraxt murakkabligini cheklovchi regulyarizatsiya hadini ko‘rsatadi. Maqsad faqat o‘qitish xatosini kamaytirish emas, balki haddan tashqari murakkab daraxtlar keltirib chiqaradigan ortiqcha moslashishni ham nazorat qilishdir.

CNN-LSTM kirish ketma-ketligi

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

Modelda 30 kunlik kirish ketma-ketligi ishlatilgan. Konvolyutsion qatlamlar ushbu ketma-ketlikdagi qisqa muddatli mahalliy naqshlarni, LSTM qatlamlari esa uzoqroq vaqt bog‘liqliklarini o‘rganishni maqsad qiladi. Tenglamada kirish ketma-ketligi x_t qiymatini ham o‘z ichiga olishi ko‘rinadi; biroq x_t ichidagi o‘zgaruvchilar maqsad kunining qaysi vaqtida mavjud bo‘lishi batafsil tushuntirilmagan.

GRU darvoza mexanizmi

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

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

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

z_t yangilash darvozasini, r_t tiklash darvozasini, h_t joriy yashirin holatni va x_t vaqt t dagi kirishni ifodalaydi. Yangilash darvozasi eski ma’lumotning qancha qismi saqlanishini, tiklash darvozasi esa o‘tmish ma’lumotining yangi nomzod holatga qanchalik o‘tkazilishini nazorat qiladi. Manbada nomzod yashirin holat \tilde{h}_t uchun alohida hisoblash tenglamasi berilmagan.

O‘qitish va tekshirish

• 2025 tekshiruvi: 2018-2024 ma’lumotlari bilan o‘qitish, 2025 ma’lumotlari bilan prognoz.
• 2026 prognozi: 2018-2025 ma’lumotlarining barchasi bilan qayta o‘qitish, 2026 yil uchun oldinga prognoz.
• Vaqt tartibi: Tasodifiy o‘qitish-test ajratish o‘rniga xronologik ajratish ishlatilgan.
• Sxemadagi qo‘shimcha tekshirish: 2019 dan 2025 gacha kengayib boruvchi yillik o‘qitish oynalari ko‘rsatilgan.

Xronologik ajratish kelajak o‘tmish ma’lumotlari bilan prognoz qilinadigan haqiqiy foydalanish shakliga tasodifiy ma’lumot bo‘linishidan yaqinroq. Biroq yillar bo‘yicha oraliq tekshirish natijalarining alohida jadvallari, yillar o‘rtasidagi samaradorlik o‘zgarishi va giperparametr tanlovi qaysi davrda bajarilgani berilmagan.

%1 xavfsizlik zaxirasi kalibrlashi

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

Bu tenglama haqiqiy 2025 iste’molining %101 ini rejalashtirish maqsadi sifatida belgilaydi. 520.594,449 kWh uchun nazariy maqsad taxminan 525.800,393 kWh.

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

C, xom kunlik prognozlarni yillik xavfsizlik maqsadiga moslashtiruvchi ko‘paytiruvchidir. Tadqiqotda C ning ochiq hisoblash tenglamasi berilmagan; usul tavsifidan u xom kunlik prognozlar yig‘indisini maqsadli yillik energiyaga olib boruvchi masshtablash koeffitsiyenti ekani tushuniladi.

Bu kalibrlash prognoz noaniqligini o‘lchamaydi. Doimiy %1 qo‘shish o‘tmishdagi prognoz xatolari taqsimoti, ishonch darajasi, ortiqcha talab ehtimoli yoki infratuzilma xarajatiga qarab optimallashtirilmagan.

Baholash mezonlari

Normallashtirilgan o‘rtacha mutlaq xato

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

NMAE kunlik mutlaq xatoning haqiqiy kunlik talab o‘rtachasiga nisbatini ko‘rsatadi. Pastroq qiymat yaxshiroq prognozni anglatadi.

Normallashtirilgan ildiz o‘rtacha kvadrat xato

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

NRMSE katta xatolarni kvadratga oshirgani sababli kuchliroq jazolaydi. Pastroq qiymat yaxshiroq.

Aniqlash koeffitsiyenti

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

R² model kunlik energiya iste’molidagi o‘zgaruvchanlikni qanchalik tushuntirishini ko‘rsatadi. Umumiy talqinda yuqoriroq R² yaxshiroq moslashuvni bildiradi.

O‘rtacha mutlaq foiz xatosi

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

MAPE kunlik xatoni haqiqiy qiymatning foizi sifatida ifodalaydi. Tadqiqot haqiqiy kunlik qiymat nol bo‘lgan kunlarda qanday amal bajarilishini tushuntirmagan.

Yillik xato

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

Musbat qiymat yillik prognoz haqiqiy iste’moldan yuqori, manfiy qiymat esa past ekanini ko‘rsatadi. Ushbu tadqiqotda taxminan +%1 qiymat modelning o‘z-o‘zidan yuzaga kelgan xatosi emas, balki rejalashtirish uchun kalibrlashning maqsadli natijasidir.

Model samaradorliklarini taqqoslash

XGBoost ning NMAE qiymati LightGBM dan 0,1902 foiz punkt, MAPE qiymati esa 0,0940 foiz punkt pastroq. Ikki model o‘rtasidagi farq kichik bo‘lsa-da, barcha mezonlar bir xil tartibni qo‘llab-quvvatlaydi.

2025 va 2026 energiya prognozlari

2026 yil prognozlarining bir-biridan sezilarli farq qilishi kelajak davr natijasi model tanloviga sezgir ekanini ko‘rsatadi. Xususan, CNN-LSTM va LightGBM o‘rtasidagi farq taxminan 62.904,621 kWh. Tadqiqot ushbu farq uchun prognoz oralig‘i, model og‘irliklari yoki noaniqlik taqsimotini taqdim etmaydi.

Ishlash vaqtlari

Tajriba muhiti Windows asosidagi, AMD Ryzen 7 protsessorli va 16 GB RAM li tizim sifatida ta’riflangan; modellar Python 3.11 va Google Colab yordamida ishlab chiqilgani bildirilgan. XGBoost, TensorFlow/Keras, Scikit-learn, Pandas, NumPy va Matplotlib kutubxonalari ishlatilgan. Mahalliy tizim bilan Google Colab resurslari qaysi jarayonlarda ishlatilgani batafsil ko‘rsatilmagani uchun vaqtlarni turli apparatlarda bevosita taqqoslash maqsadga muvofiq emas.

Manba ichidagi izchillik muammolari

• Matnda XGBoost ning 2026 prognozi bir joyda 635.226,750 kWh, natijalar jadvalida 635.226,756 kWh va grafikda yaxlitlangan holda 635.227 kWh deb berilgan. Jadvaldagi 635.226,756 kWh qiymati taqqoslash jadvalida saqlangan.
• GRU 611.762,353 kWh bilan to‘rtta model orasida eng past 2026 prognozini bergani yozilgan; biroq CNN-LSTM prognozi 575.387,001 kWh bo‘lgani sababli bu ifoda jadvalga zid.
• Natijalar xulosasida 2026 talabi “2025 dan 633.000-638.000 kWh ko‘proq” degan ifoda mavjud. Jadvallar bu sonlar o‘sish miqdori emas, balki daraxtga asoslangan modellarning taxminiy jami 2026 prognozlari ekanini ko‘rsatadi.
• Baholash mezonlari izohida past R² qiymati yaxshiroq degan ma’noni berishi mumkin bo‘lgan jumla mavjud. Berilgan R² tenglamasi va model tanlovi esa to‘g‘ri ravishda yuqoriroq R² qiymatini ustun deb qabul qiladi.
• Xavfsizlik zaxirasi tenglamasidagi E₂₀₂₅^actual haqiqiy energiya sifatida ko‘rsatilgan, ammo izoh matnida “kalibrlashdan oldingi xom prognoz” deb ta’riflangan. Tenglama, jadval va 520.594,449 kWh qiymati buning haqiqiy o‘lchangan iste’mol ekanini qo‘llab-quvvatlaydi.
• Xulosa bo‘limida kuchli modellar uchun taxminan 633.000-638.000 kWh oralig‘i berilgan. Batafsil jadvalda XGBoost va LightGBM qiymatlari taxminan 635.227-638.292 kWh oralig‘ida.

Asosiy metodik cheklovlar

• Tadqiqot bitta shaharning quvvatlash yozuvlariga asoslanadi.
• Quvvatlash stansiyalari soni, jami seanslar soni, yetishmaydigan kunlar soni va xom ma’lumot hajmi tushuntirilmagan.
• Ma’lumotlarni tozalashda nechta qator chiqarib tashlangani ko‘rsatilmagan.
• XGBoost va LightGBM uchun daraxtlar soni, chuqurlik, o‘rganish tezligi va regulyarizatsiya sozlamalari berilmagan.
• CNN-LSTM va GRU uchun qatlamlar soni, hujayralar soni, aktivatsiya, optimizator, o‘rganish tezligi, epoch, batch hajmi va early stopping sozlamalari berilmagan.
• Giperparametr qidirish usuli va alohida tekshirish to‘plami tushuntirilmagan.
• Kelajakdagi ob-havo, seanslar soni, faol stansiya, quvvatlash davomiyligi va jami foydalanish davomiyligi kirishlari 2026 yil uchun qanday hosil qilingani ko‘rsatilmagan.
• 2026 prognozida kechiktirilgan qiymatlar kunma-kun qanday oldinga surilgani tushuntirilmagan.
• %1 xavfsizlik zaxirasi statistik yoki iqtisodiy optimallashtirish bilan asoslanmagan.
• Ehtimollik prognoz oralig‘i yoki model noaniqligi taqdim etilmagan.
• Kod, bevosita yuklab olinadigan ma’lumotlar to‘plami va to‘liq model parametrlari ulashilmagan; ma’lumot faqat so‘rov bo‘yicha taqdim etiladi.
• 2026 prognozlari hali sodir bo‘lgan mustaqil iste’mol ma’lumotlari bilan tasdiqlanmagan.

Manba va usul haqida izoh

Tadqiqotning to‘liq asl nomi: Evaluating Machine Learning and Deep Learning Techniques for Electric Vechicle Load Forecasting

Mualliflar va ularning tartibi: John Pradeep Darsy; Mahesh Gunti.

Teng birinchi mualliflik: Teng birinchi mualliflik yoki teng hissa haqida ma’lumot berilmagan.

Aloqa muallifi: John Pradeep Darsy SSRN ro‘yxat sahifasida aloqa muallifi sifatida ko‘rsatilgan.

Institutsional bog‘lanishlar: John Pradeep Darsy uchun SSRN da muassasa ma’lumoti berilmagan. Mahesh Gunti ning muassasasi VIT-AP University sifatida ro‘yxatlangan.

DOI: 10.2139/ssrn.7200041

Jurnal: Taqrizdan o‘tgan jurnal yoki qabul qilingan jurnal versiyasi tasdiqlanmagan.

Nashr platformasi: SSRN.

Asl nashriyot: Tadqiqotga tegishli yakuniy jurnal nashriyoti mavjud emas. SSRN Elsevier ning preprint va erta tadqiqot platformasidir; uni taqrizdan o‘tgan jurnal yoki yakuniy nashriyot sifatida baholamaslik kerak.

Nashr yili: 2026.

Manba turi: Elektr transport vositalari quvvatlash talabi bo‘yicha ma’lumotlar tahlili va prognoz modellashtirishini o‘z ichiga olgan tadqiqot preprinti.

Taqriz holati: Ushbu tadqiqot taqrizdan o‘tmagan preprint; natijalar ushbu cheklov hisobga olingan holda o‘qilishi kerak.

Rasmiy manba:SSRN rasmiy tadqiqot sahifasi

DOI havolasi:https://doi.org/10.2139/ssrn.7200041

Ushbu o‘zbekcha izoh yuklangan tadqiqot matni, tenglamalar, jadvallar, ish jarayoni sxemasi va grafiklar boshidan oxirigacha ko‘rib chiqilib tayyorlangan. Tashqi manbalar faqat mualliflar, aloqa muallifi, muassasa, DOI, ro‘yxat sanasi va nashr platformasi kabi bibliografik identifikatsiya ma’lumotlarini tekshirish uchun ishlatilgan. Tadqiqotning asosiy ilmiy topilmalariga tashqi manbalardan yangi natija qo‘shilmagan.

Tadqiqotning asosiy cheklovlari bitta shahar ma’lumotlari, yetishmaydigan giperparametr ma’lumotlari, kelajakdagi foydalanish va ob-havo o‘zgaruvchilari qanday hosil qilingani tushuntirilmagani, doimiy xavfsizlik zaxirasining statistik noaniqlik modeli emasligi, kelajak prognozlari hali mustaqil haqiqiy ma’lumotlar bilan tasdiqlanmagani va manba ichidagi ayrim son va talqin nomuvofiqliklaridir. Topilmalar ushbu ma’lumotlar to‘plami va qurilgan modellashtirish tuzilmasi bilan cheklangan.