ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ЭНЕРГОПОТРЕБЛЕНИЯ В ГОРОДСКОЙ СРЕДЕ (НА ПРИМЕРЕ Г. Н. НОВГОРОДА)

АННОТАЦИЯ

Рост урбанизации и цифровизация городской инфраструктуры требуют внедрения современных подходов к прогнозированию энергопотребления. В данной работе рассматривается применение алгоритмов машинного обучения, в частности модели градиентного бустинга, для анализа и прогноза суточного энергопотребления на примере города Нижний Новгород. Модель обучалась на данных с 2016 по 2022 год, а верификация проводилась на данных 2023 года. Результаты показали высокую точность прогноза и определили ключевые факторы, влияющие на динамику энергопотребления. Работа демонстрирует возможности применения интеллектуальных систем в сфере цифрового управления энергоресурсами.

Ключевые слова: машинное обучение; энергопотребление; градиентный бустинг; цифровая инфраструктура; умный город.

В условиях нарастающей цифровой трансформации муниципальных территорий особую значимость приобретают интеллектуальные методы прогнозирования, способные учитывать комплексную природу энергетического спроса. Традиционные подходы зачастую не позволяют эффективно описывать нелинейные зависимости между факторами, определяющими энергопотребление. Методы машинного обучения, в частности градиентный бустинг, позволяют повысить точность моделирования и обеспечить основу для принятия решений в рамках концепции «умного города» [1].

В качестве исходных данных были использованы официальные открытые источники: данные об энергопотреблении — из цифровой платформы «СБИС» [3], температурные и метеорологические показатели предоставлены Росгидрометом [4], статистика транспортной загруженности получена с муниципального транспортного портала Нижнего Новгорода [5]. На основании этих данных была вручную сформирована сводная таблица в Excel, объединяющая значения по дням для каждого параметра. Это позволило обеспечить согласованность выборки и полноту для последующего обучения модели.

Работа по построению модели была выполнена с использованием среды Jupyter Notebook и библиотеки XGBoost на языке программирования Python и Excel. Проблемы с отсутствующими данными за летние месяцы 2019 года были решены методом интерполяции, что позволило избежать искажений в обучении. В процессе обучения модели анализировались метрики RMSE и R², а также визуализировалась значимость признаков, что позволило глубже понять вклад отдельных факторов в итоговый результат. Практическая часть работы показала, как реализуются теоретические подходы, описанные в источниках [6-7].

Модель прогнозирования представлена в следующем виде:

Y = β₀ + β₁x₁ + β₂x₂ + ... + β₇x₇ + ε

где x₁…x₇ — значения параметров, β₀…β₇ — коэффициенты модели, ε — случайная ошибка.

Наилучшие показатели точности были достигнуты при использовании модели градиентного бустинга: RMSE = 0.87, MAE = 0.71. Коэффициент детерминации R² составил 0.89.

Среднеквадратичная ошибка (RMSE, от англ. Root Mean Squared Error) характеризует отклонение предсказанных значений от фактических, возведённых в квадрат, усреднённых и извлечённых из них корня. Она особенно чувствительна к сильным ошибкам модели и считается одной из наиболее жёстких метрик в регрессии:

RMSE = √(1/n * Σ(yᵢ − ŷᵢ)²),

где yᵢ — фактические значения, ŷᵢ — предсказанные моделью значения, n — число наблюдений. В исследуемой модели RMSE составила 0.87, что говорит о том, что средняя ошибка предсказания модели в шкале целевой переменной (энергопотребления) не превышает одной условной единицы.

Средняя абсолютная ошибка (MAE, от англ. Mean Absolute Error) отражает среднюю величину отклонения между предсказанными и фактическими значениями без учета знака. В отличие от RMSE, MAE не завышается при наличии выбросов, и потому считается более «устойчивой» метрикой при оценке стабильности модели:

MAE = (1/n) * Σ|yᵢ − ŷᵢ|.

В рассматриваемой модели значение MAE равно 0.71, что подтверждает хорошую согласованность прогноза с фактическими значениями.

Коэффициент детерминации (R²) отражает долю дисперсии зависимой переменной, объяснённой регрессионной моделью. Он рассчитывается по формуле:

R² = 1 − (Σ(yᵢ − ŷᵢ)² / Σ(yᵢ − ȳ)²),

где ȳ — среднее значение наблюдаемых значений. В данной работе R² составил 0.89, что означает, что 89% изменчивости энергопотребления объясняется моделью, и только 11% приходятся на случайные или непрогнозируемые факторы.

Дополнительно был проведён анализ важности признаков на основе весов, присвоенных деревьями в процессе обучения модели. Наибольший вклад в формирование прогноза внесли следующие переменные:

- температура воздуха — 28.7%,

- энергопотребление предыдущего дня — 24.3%,

- день недели — 16.5%,

- плотность трафика — 11.2%.

Это подтверждает сезонную и поведенческую природу колебаний в потреблении энергии [2].

График динамики электропотребления с фактическими и прогнозируемыми значениями за 2023 год представлен на рисунке 1.

Рисунок 1. Сравнение фактических и прогнозируемых значений энергопотребления в 2023 году.

Список литературы:

1. Катаева Л.Ю. Влияние индикаторов на прогнозируемость экономической безопасности региона / Л. Ю. Катаева, Д.А. Масленников, Т.А. Федосеева // Фундаментальные исследования. — 2019. № 12-1. 72-76 с. — DOI 10.17513/fr.42624.
2. Иконников В.В. Экономические факторы и управленческие решения: влияние на прогнозируемость региональных индикаторов / В. В. Иконников, Л. Ю. Катаева, Д. А. Масленников // Russian Economic Bulletin. — 2023. Т. 6. № 6. 380-385 с.
3. Сайт "СБИС" (Система Быстрого Информирования о Ситуациях). Сведения о юридическом лице [Электронный pecypc]. — URL: https://saby.ru/profi1e/5256056266-52560100l?anchoi=finance
4. Сайт Росгидромет: https://meteoinfo.ru
5. Муниципальный транспортный портал Нижнего Новгорода: https://transport.nn.ru
6. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD. — 2016.
7. Хомяков С. П. Методы интеллектуального анализа данных. — М.: Инфра-М, 2020.