Ushbu tadqiqot Universidad Laica Eloy Alfaro de Manabí tarkibidagi uchta akademik binoning elektr quvvati isteʼmolini avvalgi oʻlchovlar, vaqt maʼlumotlari va harorat maʼlumotlari asosida bashorat qilish uchun MATLAB Regression Learner ilovasidan foydalanadi. Regression Learner turli regressiya algoritmlarini bitta maʼlumotlar toʻplamida oʻqitish, ularni kross-validatsiya orqali taqqoslash va olingan modellarni keyinchalik MATLAB kodida yoki boshqa ilovalarda foydalanish uchun eksport qilish imkonini beruvchi mashinaviy oʻrganish vositasidir. Tadqiqotda chiziqli va polinom regressiya, Support Vector Machine hamda ensemble usullarini oʻz ichiga olgan turli variantlar baholangan; manbaga ko‘ra eng yaxshi natija Regression Ensemble: Bagged Trees modeli bilan olingan.

Tadqiqotda uchta universitet binosiga tegishli taxminan 10 oylik elektr isteʼmoli yozuvlaridan foydalanilgani qayd etiladi. Manba grafiklarida tekshirilgan vaqt oʻqi May 2022 dan Fevral 2023 gacha bo‘lgan davrni qamrab oladi. Maʼlumotlar toʻplamida elektr quvvati bilan bir qatorda atrof-muhit harorati, kun va soat kabi vaqtga oid oʻzgaruvchilar mavjud. Oʻlchovlarning namunaviy jadvalida ular 15 daqiqalik intervallarda qayd etilgani ko‘rinadi. Maʼlumotlar MATLAB ga import qilinishidan oldin yetishmayotgan yozuvlarni tuzatish va chet qiymatlarni tozalash kabi dastlabki qayta ishlash bosqichlari qoʻllanganligi qayd etiladi.

Regression Learner taqqoslashida Bagged Trees ensemble modeli 2.2463 validatsiya RMSE qiymati bilan manba tomonidan eng muvaffaqiyatli model sifatida tanlangan. RMSE yoki Root Mean Squared Error — model bashoratlari bilan haqiqiy qiymatlar o‘rtasidagi farqlar kvadratlari o‘rtachasining kvadrat ildizi bo‘lib, katta bashorat xatolariga yuqoriroq og‘irlik beradi. Tadqiqot matnining o‘zida maqsad qilingan ideal qiymat 1,4 dan past bo‘lishi kerakligi aytilgan bo‘lsa-da, erishilgan eng yaxshi RMSE taxminan 2,24 ni tashkil etadi. Shu sababli model maqsad qilingan xato darajasiga yetmagan, biroq mualliflar natijani energiyani rejalashtirish maqsadlari uchun foydalanish mumkin deb baholagan.

Tadqiqotning ikkinchi muhim natijasi MATLAB App Designer yordamida tayyorlangan foydalanuvchi interfeysidir. Ilova foydalanuvchiga fakultet va sanani tanlash, avvaldan oʻqitilgan uch xil bino modelidan tegishlisini yuklash hamda bashorat qilingan elektr quvvati va tok qiymatlarini ekranda ko‘rsatish imkonini beradi. Shu tariqa mashinaviy oʻrganish modelini faqat tahlil muhitida qoldirish o‘rniga uni amaliy bashorat vositasiga aylantirish maqsad qilingan.

Shu bilan birga, tadqiqotda Bagged Trees giperparametrlari, kross-validatsiyadagi k qiymati, alohida binolarning mustaqil RMSE qiymatlari, sonli R² natijasi va tashqi test toʻplami kabi qayta ishlab chiqarish imkoniyati uchun muhim tafsilotlar berilmagan. Bundan tashqari, maʼlumotlar davrining turli bo‘limlarda 2022 yil ichidagi 10 oy, May 2022–Fevral 2023 hamda May–Iyun–Iyul tarzida turlicha taʼriflanishi manba ichida vaqt oralig‘i nomuvofiqligini yuzaga keltiradi.

Universitet Binolarining Elektr Isteʼmolini Bashorat Qilish Nega Qiyin?

Universitet binolaridagi elektr isteʼmoli faqat soat yoki tashqi haroratning oddiy funksiyasi emas. Manba tadqiqot foydalanuvchilar harakatchanligi, dars va maʼmuriy faoliyatlar, turli xona turlari, deraza tuzilmalari va ayniqsa konditsionerdan foydalanish kabi ko‘plab omillar elektr talabini o‘zgartirishi mumkinligini taʼkidlaydi. Shu sababli bir xil bino turli kunlarda yoki bir kunning turli soatlarida ancha farqli quvvat profillarini ko‘rsatishi mumkin.

Bashorat modeli avvalgi o‘lchovlardagi takrorlanuvchi qonuniyatlarni o‘rganib, kelajakdagi vaqt nuqtalarida kutiladigan quvvat talabini bashorat qilishga urinadi. Bu yerdagi maqsad faqat umumiy energiya isteʼmolini retrospektiv tarzda tushuntirish emas, balki kelajakda yuzaga kelishi mumkin bo‘lgan elektr talabini oldindan bashorat qilib, energiya boshqaruvi va rejalashtirishni qo‘llab-quvvatlashdir.

Tadqiqotda ko‘rib chiqilgan uch fakultet

Manba App Designer interfeysida uchta alohida fakultet modeli mavjud:

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

Manba har bir bino/fakultet uchun maʼlumotlar alohida tayyorlanib, Regression Learner ichida uchta mustaqil model yaratilganini bildiradi.

Regression Learner Ushbu Tadqiqotda Nima Qiladi?

Regression Learner avvalgi o‘lchovlardan elektr quvvati bilan vaqt va atrof-muhit o‘zgaruvchilari o‘rtasidagi munosabatni o‘rganish uchun bir nechta regressiya algoritmini bitta ish muhitida baholaydi. Foydalanuvchi maʼlumotlar to‘plamini yuklaydi, bashorat qilinadigan maqsad o‘zgaruvchisini va predictor o‘zgaruvchilarini tanlaydi, turli modellarni o‘qitadi va RMSE kabi validatsiya mezonlariga ko‘ra eng mos yondashuvni aniqlaydi.

Manbada ishlatilgan asosiy o‘zgaruvchilar

Tadqiqotning turli bo‘limlarida model kirishlari sifatida:

• sana,
• soat,
• kun,
• oy,
• yil,
• atrof-muhit harorati

kabi o‘zgaruvchilar tilga olinadi.

Maqsad o‘zgaruvchisi esa elektr quvvatidir.

PDF ning 11. sahifasidagi Regression Learner o‘zgaruvchilarni tanlash ekranida Fecha, Hora va Temperatura predictor sifatida belgilangan, Potencia esa alohida maqsad o‘zgaruvchisi sifatida ishlatilgan.

Namuna sifatidagi 15 daqiqalik o‘lchovlar

Bu namuna hech bo‘lmaganda nashr qilingan jadval bo‘limida o‘lchovlar 15 daqiqalik aniqlikda saqlanganini ko‘rsatadi.

Bagged Trees Modeli Energiya Isteʼmolini Qanday Bashorat Qiladi?

Bagged Trees yondashuvi bitta qaror daraxtiga tayanish o‘rniga, bir xil o‘quv maʼlumotlaridan qayta namunalash yo‘li bilan hosil qilingan ko‘plab qaror daraxtlarining bashoratlarini birlashtiradi. Bitta daraxtning ayrim o‘quv namunalariga ortiqcha moslashish moyilligini ensemble o‘rtachasi orqali kamaytirishga harakat qilinadi; shu tariqa modelning yangi maʼlumotlarga nisbatan barqarorroq bo‘lishi ko‘zlanadi.

Bitta qaror daraxtining muammosi

Manba izohida qaror daraxti, masalan, harorat va soat asosida:

• harorat 30 °C dan yuqori bo‘lsa va soat 14:00 bo‘lsa, yuqori isteʼmol,
• harorat 20 °C dan past bo‘lsa va soat 07:00 bo‘lsa, past isteʼmol

kabi qoidalarni o‘rganishi mumkinligi aytiladi.

Biroq bitta daraxtning o‘quv maʼlumotlaridagi aniq bo‘linishlarga haddan tashqari moslashishi yuqori dispersiyaga olib kelishi mumkin. Bagging usuli turli bootstrap namunalarida ko‘plab daraxtlar yaratib, bu muammoni kamaytirishni maqsad qiladi.

Bagged Trees ning matematik ifodalanishi

Manba o‘quv maʼlumotlari to‘plamini:

deb taʼriflaydi.

Bu yerda \(x_i\) harorat va soat kabi xususiyatlarni, \(y_i\) esa bashorat qilinishi kerak bo‘lgan elektr isteʼmolini ifodalaydi.

Keyin o‘rniga qo‘yib namunalash yo‘li bilan:

bootstrap maʼlumotlar to‘plamlari yaratiladi.

Har bir maʼlumotlar to‘plamida alohida qaror daraxti \(h_b(x)\) o‘qitilgandan so‘ng ensemble bashorati:

ko‘rinishida hisoblanadi.

Yaʼni yakuniy elektr isteʼmoli bashorati bitta daraxtning chiqishidan emas, barcha daraxtlar bashoratlarining o‘rtachasidan hosil bo‘ladi.

Tadqiqot Usuli va Natijalari

Maʼlumotlarni to‘plash va tayyorlash

Manba tadqiqotining usullar zanjiri quyidagicha umumlashtirilishi mumkin:

1. Uchta akademik binodan elektr isteʼmoli maʼlumotlarini to‘plash.
2. Vaqt va atrof-muhit harorati maʼlumotlarini maʼlumotlar to‘plamiga qo‘shish.
3. Yetishmayotgan yozuvlarni tuzatish.
4. Chet qiymatlarni tozalash.
5. Maʼlumotlarni fakultetlar bo‘yicha ajratish.
6. Vaqt maʼlumotlarini bashorat kirishlariga aylantirish.
7. Har bir fakultet uchun mustaqil Regression Learner modelini yaratish.
8. Turli regressiya algoritmlarini o‘qitish.
9. Kross-validatsiya bilan samaradorlikni baholash.
10. Eng yaxshi model sifatida Bagged Trees ni tanlash.
11. O‘qitilgan modellarni App Designer ilovasiga ko‘chirish.

Manba tozalash amalga oshirilganini bildiradi, biroq qaysi chet qiymat usuli qo‘llangani yoki yetishmayotgan maʼlumotlar qaysi usul bilan to‘ldirilganini tushuntirmaydi.

Haftalik o‘rtacha quvvat xatti-harakati

PDF ning 7. sahifasidagi 1-rasm Facultad de Administración de Empresas uchun May 2022 dan Fevral 2023 gacha cho‘zilgan haftalik o‘rtacha quvvat qatorini ko‘rsatadi.

Manba quyidagi asosiy xatti-harakatlarni taʼkidlaydi:

• May davrida yuqori talab nuqtalari,
• Sentabr atrofida yana ko‘tarilgan isteʼmol,
• Yanvar atrofida 10 kW dan yuqoriga chiqqan haftalik cho‘qqilar,
• Avgust boshida 0 kW ga yaqinlashgan isteʼmol vodiysi,
• Noyabr boshida ikkinchi juda past isteʼmol davri.

Mualliflar juda past isteʼmol davrlarini akademik faollikning kamayishi, taʼtil yoki binoning past bandligi kabi sabablar bilan bog‘laydi.

Biroq tadqiqotda to‘g‘ridan-to‘g‘ri bandlik sensori yoki akademik faoliyat o‘zgaruvchisi mavjud emasligi sababli bu izoh mualliflarning talqinidir.

Haftalik harorat xatti-harakati

2-rasmda haftalik o‘rtacha harorat taxminan:

oralig‘ida o‘zgaradi.

Manbaga ko‘ra:

• 15 May atrofida taxminan 21,7 °C,
• 22 May 2022 da 23,37 °C,
• 31 Iyulda 23,74 °C,
• 28 Avgustda 21,80 °C,
• 6 Noyabrda 23,98 °C,
• 4 Dekabrda 25,70 °C,
• 1 Yanvar 2023 da 27,26 °C

qiymatlari mavjud.

Quvvat va harorat birgalikda baholanganda

PDF ning 8. sahifasidagi 3-rasm ikki o‘zgaruvchini bir xil vaqt o‘qida ko‘rsatadi.

Manba ikki xil xatti-harakat hududini talqin qiladi.

Past faollik davrlari: Quvvat isteʼmoli 0 kW ga yaqinlashgan ayrim haftalarda harorat xuddi shunday pasaymaydi. Shu sababli manba o‘ta past isteʼmolni haroratdan ko‘ra ko‘proq akademik faoliyat yoki bandlik bilan bog‘laydi.

Issiqroq davr: Noyabrdan keyin harorat oshishi bilan ayrim quvvat isteʼmoli cho‘qqilarining ham oshgani ko‘rinadi. Mualliflar buni konditsionerdan foydalanishning ko‘payishi bilan bog‘laydi.

Shu bilan birga, manba haqiqiy korrelyatsiya koeffitsienti, regressiya koeffitsienti yoki konditsionerdan foydalanish o‘lchovini bermagani uchun haroratning isteʼmolga mustaqil taʼsirining kattaligi miqdoriy jihatdan aniqlanmagan.

RMSE = 2.2463 Nimani Anglatadi?

RMSE bashorat qilingan elektr quvvati bilan haqiqiy o‘lchov o‘rtasidagi xato kattaligini bitta son bilan umumlashtiradi. Qiymat kichraygani sari model bashoratlari maʼlumotlar to‘plamidagi haqiqiy qiymatlarga yaqinlashadi; biroq RMSE ning yaxshi yoki yomonligi maqsad o‘zgaruvchisining masshtabi, ilovaning xatoga chidamliligi va soddaroq modellar bilan taqqoslash hisobga olingan holda baholanishi kerak.

Manbada berilgan RMSE formulasi

Bu yerda:

• \(y_i\): haqiqiy o‘lchov,
• \(\hat y_i\): model bashorati,
• \(n\): kuzatuvlar soni.

PDF ning 11. sahifasidagi Regression Learner ekranida:

RMSE (Validation) = 2.2463

ko‘rsatilgan.

Tadqiqotning o‘z maqsadi bilan taqqoslash

Manba matnida dastlab RMSE:

bo‘lishi kutilgani aytiladi.

Biroq erishilgan eng yaxshi qiymat:

bo‘lgan.

Shunday qilib, natija kutilgan maqsaddan yuqori.

%7,46 Xato Tadqiqotning Haqiqiy Xato Darajasimi?

Yo‘q. Manbada berilgan %7,46 hisobi haqiqiy maʼlumotlar to‘plamining eʼlon qilingan o‘rtacha isteʼmolidan olinmagan; mualliflar tushuntirish uchun o‘rtacha isteʼmolni 30 kW deb faraz qilgan. Shu sababli %7,46 faqat faraziy nisbiy xato misoli bo‘lib, Bagged Trees modelining o‘lchangan aniqlik foizi sifatida ishlatilmasligi kerak.

Manbada ishlatilgan misol

Faraziy:

deb olinganda:

hosil bo‘ladi.

Manba shuningdek, haqiqiy o‘rtacha isteʼmol 50 kW bo‘lganida:

bo‘lishini ko‘rsatadi.

Bu misollar nisbiy xato ishlatilgan normallashtirish qiymatiga bog‘liq ekanini ko‘rsatadi; u to‘g‘ridan-to‘g‘ri model samaradorligi natijasi emas.

Manba ichidagi 2,91 RMSE muammosi

Xuddi shu bo‘limda manba to‘satdan:

RMSE = 2,91 → taxminan %9,7

ifodasidan foydalanadi.

Matematik jihatdan:

to‘g‘ri.

Biroq tadqiqotning Regression Learner ekranida olingan qiymat 2,2463 dir. 2,91 qaysi modeldan kelgani tushuntirilmagani sababli bu sonni asosiy natija sifatida ishlatib bo‘lmaydi.

Haqiqiy va Bashorat Qilingan Quvvat Qiymatlari Qanday Taqqoslanadi?

Manbada haqiqiy quvvat o‘lchovlari bilan regressiya modelining bashoratlari bir xil grafikda taqqoslanadi. Matnga ko‘ra ko‘k nuqtalar haqiqiy elektr quvvati o‘lchovlarini, sariq nuqtalar esa model bashoratlarini ifodalaydi. Maqsad model vaqt davomida isteʼmol profilini qay darajada kuzata olishini vizual tarzda baholashdir.

Biroq manba ushbu grafik uchun alohida:

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

qiymatlarini bermaydi.

App Designer Energiya Bashoratini Qanday Foydalanishga Yaroqli Holga Keltiradi?

Tadqiqotda yaratilgan App Designer ilovasi MATLAB buyruq satri yoki Regression Learner interfeysidan foydalanishga majbur bo‘lmasdan o‘qitilgan bashorat modellariga kirishni taʼminlaydi. Foydalanuvchi fakultet va sanani tanlaydi, ilova tegishli o‘qitilgan modelni yuklab, bashorat qilingan quvvat va tok qiymatlarini interfeysda ko‘rsatadi.

Ilovaning asosiy foydalanuvchi oqimi

1. Fakultet tanlanadi.
2. Kun, oy, soat va daqiqa maʼlumotlari kiritiladi.
3. “Calcular” amali ishga tushiriladi.
4. Tanlangan fakultetga tegishli model yuklanadi.
5. Quvvat bashorati hisoblanadi.
6. Quvvat qiymatidan tok hisoblanadi.
7. Natijalar interfeysda ko‘rsatiladi.

PDF ning 14. sahifasidagi namunaviy ekranda ilova bashorat qilingan quvvat va tok qiymatlarini alohida maydonlarda ko‘rsatadi.

Nega uchta alohida model?

Manba maʼlumotlarni fakultetlar bo‘yicha alohida tayyorlaydi. Buning sababi turli akademik binolarning:

• ish vaqtlari,
• foydalanuvchi zichligi,
• konditsionerdan foydalanish shakllari,
• elektr yuk profillari

jihatidan turlicha xatti-harakat ko‘rsatishi mumkinligidir.

Shu sababli bitta universal kampus modeli o‘rniga uchta mustaqil model ishlatilgan.

Model Yangi Universitet Binolarida To‘g‘ridan-to‘g‘ri Ishlatilishi Mumkinmi?

Manbaning mavjud ilovasi uchta binodan to‘plangan maʼlumotlar asosida ishlab chiqilgan. Tizimga yangi bino qo‘shilsa, o‘sha binoning isteʼmol xatti-harakatini ifodalovchi yangi maʼlumotlarni to‘plash va modelni qayta o‘qitish kerak bo‘ladi; mavjud uch binoning modeli boshqa foydalanish tartibiga ega yangi tuzilmada avtomatik ravishda bir xil samaradorlikni kafolatlamaydi.

Manba qo‘llab-quvvatlaydigan natijalar

• MATLAB Regression Learner universitet elektr isteʼmoli maʼlumotlariga qo‘llanishi mumkin.
• Vaqt va harorat o‘zgaruvchilaridan energiya talabini bashorat qilishda foydalanish mumkin.
• Manbada baholangan modellar orasida Bagged Trees eng past xabar qilingan RMSE ni bergan.
• Bagged Trees validatsiya RMSE qiymati 2.2463 sifatida ko‘rsatilgan.
• Elektr isteʼmoli yil davomida sezilarli haftalik o‘zgaruvchanlik ko‘rsatadi.
• Baʼzi past isteʼmol davrlari harorat o‘zgarishidan mustaqil ko‘rinadi.
• Issiq davrda isteʼmol va harorat birgalikda ko‘tariladigan davrlar kuzatiladi.
• O‘qitilgan modellar App Designer asosidagi foydalanuvchi ilovasiga integratsiya qilingan.

Tadqiqotning o‘zi qo‘llab-quvvatlamaydigan natijalar

• Modelning haqiqiy xato foizi %7,46 ekani ko‘rsatilmagan.
• Modelning RMSE qiymati 1,4 dan past ekani ko‘rsatilmagan.
• R² uchun sonli muvaffaqiyat qiymati eʼlon qilinmagan.
• Harorat isteʼmol o‘zgarishining maʼlum bir foiziga sabab bo‘lishi ko‘rsatilmagan.
• Konditsionerdan foydalanishning to‘g‘ridan-to‘g‘ri o‘lchangan taʼsiri berilmagan.
• Barcha universitet binolarida bir xil model bir xil aniqlik berishi ko‘rsatilmagan.
• Real vaqtli kelajak sanalari bashoratlarida mustaqil dala validatsiyasi taqdim etilmagan.
• Ko‘proq maʼlumot qo‘shilganda aniqlik albatta oshishi eksperimental tarzda ko‘rsatilmagan.

Tadqiqotning kuchli tomonlari

Tadqiqotning birinchi kuchli tomoni haqiqiy bino isteʼmoli o‘lchovlarini mashinaviy o‘rganish modeli bilan birlashtirishidir. Model to‘liq sintetik energiya profiliga tayanmaydi.

Ikkinchi kuchli tomon isteʼmol maʼlumotlarini harorat va vaqt maʼlumotlari bilan bog‘lashidir. Shu tariqa elektr talabi faqat avvalgi quvvat qiymatlaridan iborat emasligi hisobga olinadi.

Uchinchi kuchli tomon turli Regression Learner algoritmlarining taqqoslanishi va bitta modelning boshidan tanlab olinmasligidir.

To‘rtinchi kuchli tomon modelning App Designer orqali oxirgi foydalanuvchiga mo‘ljallangan interfeysga aylantirilishidir. Bu mashinaviy o‘rganish tahlilini amaliy foydalanish ssenariysiga yaqinlashtiradi.

Tadqiqotning asosiy cheklovlari

Maʼlumotlar davrining maqolaning turli bo‘limlarida turlicha ifodalanishi muhim hisobot muammosidir. Eng ko‘zga tashlanadigan grafiklar May 2022 bilan Fevral 2023 oralig‘ini ko‘rsatadi.

O‘lchov aniqligi ham ayrim bo‘limlarda soatlik, namunaviy jadvalda esa 15 daqiqalik sifatida berilgan.

Bagged Trees giperparametrlari tushuntirilmagan.

Kross-validatsiya k qiymati ko‘rsatilmagan.

Model samaradorligi uchun R² ishlatilishi aytilgan, ammo natija qiymati berilmagan.

Uch binoning alohida samaradorliklarini taqqoslovchi jadval taqdim etilmagan.

Tashqi va mutlaqo ko‘rilmagan test davrida samaradorlik ko‘rsatilmagan.

Manbadagi %7,46 va %4,48 misollari faraziy o‘rtacha isteʼmol qiymatlariga bog‘liq.

2,91 RMSE ifodasi asosiy 2,2463 natijasidan izohlanmagan tarzda farq qiladi.

Manba va Usul Haqida Izoh

• Asl sarlavha: Predicción de Consumo Energético en Edificios Universitarios usando la aplicación Regression Learner de MATLAB
• Inglizcha sarlavha: Predicting Energy Consumption in University Buildings Using the Regression Learner App in MATLAB
• Muallif 1: Kenneth Wladimir Masabanda Macay
• Muallif 2: Edisson Daniel Segovia Muñoz
• Muallif 3: Erick José Alcivar Villamarin
• Muallif 4: Washington Xavier García Quilachamin
• Muassasa: Universidad Laica Eloy Alfaro de Manabí, Manta, Ecuador
• Jurnal: Ciencias de la Ingeniería y Aplicadas
• Nashr etuvchi muassasa: Universidad Técnica de Cotopaxi
• Jild: 10
• Son: 1
• Sahifalar: 128–144
• Nashr davri: Yanvar–Iyun 2026
• DOI: 10.61236/ciya.v10i1.1240
• Qabul qilingan sana: 24 Oktyabr 2025
• Reviziya qabul qilingan sana: 28 Dekabr 2025
• Rasmiy nashr sanasi: 16 Yanvar 2026
• Maqola turi: Tadqiqot maqolasi
• Manba turi: Universitet energiya isteʼmoli maʼlumotlari + nazoratli regressiya + MATLAB ilovasini ishlab chiqish
• Asosiy dastur: MATLAB Regression Learner
• Ilova ishlab chiqish: MATLAB App Designer
• Tanlangan model: Regression Ensemble — Bagged Trees
• Xabar qilingan eng yaxshi validatsiya RMSE: 2.2463
• Rasmiy havola:https://doi.org/10.61236/ciya.v10i1.1240

Manba ichidagi maʼlumotlar va metrikalar yaxlitligi haqida izoh

Maqoladagi maʼlumotlar davri turli bo‘limlarda “2022 yil ichidagi 10 oy”, “May 2022–Fevral 2023” va “May, Iyun va Iyul” ko‘rinishida turlicha taʼriflangan. O‘lchov chastotasi ham bir bo‘limda soatlik deb ifodalangan bo‘lsa, namunaviy jadval 15 daqiqalik yozuvlarni ko‘rsatadi. Ushbu farqlar mustaqil qayta ishlab chiqarishda aniqlashtirilishi kerak.

Regression Learner ekranidagi asosiy samaradorlik qiymati RMSE=2.2463 dir. Matndagi %7,46 va %4,48 xato ko‘rsatkichlari haqiqiy maʼlumotlarning o‘rtachasidan emas, mos ravishda 30 va 50 kW farazlaridan hisoblangan. Xuddi shu bo‘limda ishlatilgan RMSE=2,91 qiymati esa asosiy model natijasi bilan mos kelmaydi.

Modelni qayta ishlab chiqarish imkoniyati haqida izoh

Manba k-fold cross-validation, giperparametr optimallashtirish va turli regressiya algoritmlarini taqqoslash amalga oshirilganini bildiradi; biroq ishlatilgan k qiymati, Bagged Trees daraxtlari soni, barg o‘lchami, bootstrap sozlamalari, random seed va yakuniy giperparametrlar to‘plami eʼlon qilinmagan. Shu sababli modelni manba matnidan aynan qayta yaratish uchun asl MATLAB sessiyasi yoki o‘qitilgan model fayllari talab etiladi.

Ilmiy talqin chegarasi

Tadqiqot avvalgi isteʼmol hamda atrof-muhit/vaqt maʼlumotlaridan foydalanib, aniq uchta universitet binosining elektr talabini mashinaviy o‘rganish orqali modellashtirish mumkinligini ko‘rsatadi. RMSE=2.2463 natijasi tadqiqot ichidagi validatsiya sharoitlariga tegishli bo‘lib, yangi kampuslar, boshqa iqlimlar yoki turli foydalanish profillari uchun bir xil samaradorlikni kafolatlamaydi. Energiya tejash yoki karbon emissiyalarini kamaytirish ham bevosita o‘lchangan tadqiqot natijalari emas; ular bashoratlarning yaxshiroq energiya rejalashtirishiga hissa qo‘shishi mumkinligi bilan bog‘liq amaliy maqsadlardir.