مقایسه تجربی مدل‌های یادگیری ماشین و یادگیری عمیق برای پیش‌بینی مصرف انرژی در ساختمان‌های هوشمند

مقایسه تجربی مدل‌های یادگیری ماشین و یادگیری عمیق برای پیش‌بینی مصرف انرژی در ساختمان‌های هوشمند

مینارجبی1 مهدی یعقوبی2

1) دانشجوی کارشناسی ارشد، مهندسی کامپیوتر، گرایش نرم افزار دانشگاه گلستان، گرگان،
2) استادیار گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه گلستان، گرگان، ایران - m.yaghoubi(att)gu.ac.ir

کد IOI مقاله : AAHD-ABKGFK
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    پیش‌بینی دقیق مصرف انرژی در ساختمان‌های هوشمند برای بهینه‌سازی بهره‌وری انرژی، کاهش هزینه‌ها و اجرای مؤثر راهبردهای پاسخگویی به تقاضا اهمیت زیادی دارد. در این پژوهش، مقایسه‌ای تجربی و کنترل‌شده میان روش‌های کلاسیک یادگیری ماشین و روش‌های یادگیری عمیق برای پیش‌بینی مصرف انرژی لوازم خانگی در یک ساختمان کم‌مصرف ارائه شده است. در این مطالعه، چهار مدل شامل جنگل تصادفی (Random Forest)، XGBoost، شبکه حافظه بلندکوتاه‌مدت (LSTM) و واحد بازگشتی دروازه‌ای (GRU) با استفاده از مجموعه‌داده عمومی پیش‌بینی مصرف انرژی لوازم خانگی از مخزن UCI ارزیابی شده‌اند. طراحی آزمایش با استفاده از تقسیم‌بندی زمانی داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون انجام شده است تا از نشت داده جلوگیری شود. همچنین، به‌منظور بررسی پایداری نتایج، آزمایش‌ها با پنج بذر تصادفی مختلف تکرار شده‌اند. نتایج نشان می‌دهد که مدل LSTM در میان مدل‌های بررسی‌شده بهترین عملکرد پیش‌بینی را داشته و با میانگین خطای مطلق 55.74 وات‌ساعت، خطای کمتری نسبت به روش‌های یادگیری ماشین کلاسیک، شامل جنگل تصادفی با 158.89 وات‌ساعت و XGBoost با 192.41 وات‌ساعت، ارائه کرده است. با این حال، آزمون‌های آماری تفاوت معناداری میان مدل‌ها در سطح معناداری 0.05 نشان ندادند که احتمالاً ناشی از توان آماری محدود حاصل از استفاده از پنج بذر تصادفی است. همچنین، تمامی مدل‌ها مقادیر منفی برای ضریب تعیین (R²) نشان دادند که بیانگر عملکرد ضعیف‌تر آن‌ها نسبت به پیش‌بینی ساده میانگین مصرف انرژی است و دشواری قابل‌توجه مسئله پیش‌بینی در این مجموعه‌داده را نشان می‌دهد. یافته‌های این پژوهش می‌تواند در انتخاب مدل مناسب برای پیش‌بینی مصرف انرژی در ساختمان‌های هوشمند مورد استفاده قرار گیرد و همچنین مبادله میان دقت پیش‌بینی و هزینه محاسباتی را برای کاربردهای عملی مورد توجه قرار می‌دهد.

کلمات کلیدی : پیش‌بینی مصرف انرژی ساختمان‌های هوشمند یادگیری ماشین یادگیری عمیق حافظه بلندکوتاه‌مدت (lstm) واحد بازگشتی دروازه‌ای (gru) جنگل تصادفی xgboost