Electricity Consumption Forecasting: An Approach Using Cooperative Ensemble Learning with SHapley Additive exPlanations
تقترح هذه الدراسة نهجاً للتعلم التجميعي التعاوني يسمى "معزز الفاصل الأضعف" (WSB)، والذي يدمج نماذج LSTM وRF وSVR وXGBoost المحسنة بخوارزميات جينية وخوارزمية سرب الجسيمات واختيار الميزات القائم على SHAP للتنبؤ بدقة باستهلاك الكهربال لمدة 12 شهراً في حرمين جامعيين تابعين لـ IFPR، كاشفاً أن قيم السلاسل الزمنية المتأخرة هي المتنبئات المهيمنة على المتغيرات المناخية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول التنبؤ بكمية الكهرباء التي سيستهلكها حرم جامعي خلال العام القادم. الأمر يشبه إلى حد كبير محاولة تخمين كمية المياه التي ستشربها حديقة ضخمة ومعقدة في الشهر المقبل. أنت تعلم أن الحديقة تحتاج إلى الماء، لكن الكمية تتغير بناءً على حالة الطقس، أو ما إذا كان هناك عطلة صيفية، أو إذا كان هناك مهرجان كبير، أو حتى إذا انفجر أنبوب ما فجأة.
هذه الورقة البحثية تتحدث عن فريق من الباحثين الذين بنوا "متنبئاً خارقاً" لحل هذه المشكلة بالضبط لحرمين جامعيين في البرازيل. إليكم كيف فعلوا ذلك، مشروحاً ببساطة:
1. المشكلة: الحديقة فوضوية
الجامعات أماكن يصعب التنبؤ بها. فهناك طلاب يأتون ويذهبون، وفصول دراسية تبدأ وتتوقف، وعطلات تكون فيها المباني فارغة. بالإضافة إلى ذلك، يتغير الطفر الجوي. نظر الباحثون في فواتير الكهرباء لمدة سبع سنوات لحرمين جامعيين: أحدهما ضخم (بالماس) والآخر صغير (كورونيل فيفيدا). ووجدوا أن استخدام الكهرباء كان فوضوياً، غير منتظم، ولم يتبع خطاً مستقيماً بسيطاً.
2. فريق المتنبئين (الطاقم)
بدلاً من الاعتماد على طريقة واحدة فقط لتقديم التخمين، جمع الباحثون فريقاً من "المتنبئين" المختلفين (نماذج حاسوبية)، لكل منهم شخصية مختلفة:
- المسافر عبر الزمن (LSTM): هذا النموذج بارع في تذكر الماضي. فهو ينظر إلى ما حدث الشهر الماضي، أو العام الماضي، أو حتى قبل 12 شهراً ليتوقع المستقبل.
- صانع القرار (الغابة العشوائية وXGBoost): هذه النماذج تشبه لجنة من الخبراء يتخذون القرارات بناءً على قواعد. فهي تنظر إلى البيانات وتقول: "إذا كنا في شهر مارس والجو حار، فاستخدم هذا القدر من الطاقة".
- الباحث عن الأنماط (SVR): يحاول هذا النموذج رسم خط سلس عبر نقاط البيانات الفوضوية للعثور على الاتجاه الأساسي.
3. المدرب (التحسين)
امتلاك فريق ليس كافياً؛ فهم بحاجة إلى ضبط مثالي. تخيل سائق سيارة سباق؛ يحتاج إلى الإطارات الصحيحة وإعدادات المحرك للفوز. استخدم الباحثون "مدربين" (خوارزميات تسمى الخوارزميات الجينية وتحسين سرب الجسيمات) لضبط إعدادات كل نموذج.
- النتيجة: تبين أن "المسافر عبر الزمن" (LSTM) هو أفضل سائق فردي. ومع ذلك، كانت النماذج الأخرى (صناع القرار) بسيطة للغاية؛ حيث كانت تميل فقط إلى رسم خط مسطح وممل، وتخمن نفس الكمية كل شهر لأنها لم تستطع التعامل مع التعقيد.
4. السر الخفي: "معزز الفاصل الأضعف" (WSB)
هذا هو أعظم ابتكار للورقة البحثية. أدرك الباحثون أنه بينما كان "المسافر عبر الزمن" هو الأفضل، فإن النماذج الأخرى كانت "أضعف" وتميل إلى أن تكون متحفظة للغاية (تتنبأ بخط مسطح).
لقد ابتكروا استراتيجية جديدة تسمى معزز الفاصل الأضعف (WSB). فكر في الأمر كالتالي:
- تخيل أن "المسافر عبر الزمن" هو محقق حاد البصر يحاول حل جريمة معقدة.
- نماذج "الأضعف" هي مثل مجموعة من الأشخاص الذين يخمنون فقط أنه "لم يحدث شيء" (خط مسطح).
- تقول استراتيجية WSB: "لنأخذ تخمين المحقق الحاد، ولكن دعونا ننظر إلى المخمنين ذوي الخطوط المسطحة. إذا أصبح المحقق جامحاً جداً أو مرتبكاً، نستخدم متوسط تخمينات أصحاب الخطوط المسطحة كشبكة أمان لسحبه والعودة به إلى الواقع".
من خلال الجمع بين أفضل تخمين وبين "المتوسط المستقر" للتخمينات الأضعف، نجحوا في إنشاء تنبؤ هجين أكثر دقة من أي نموذج منفرد بمفرده.
5. الفلتر (SHAP)
قبل أن يبدأ الفريق في التخمين، كان عليهم تحديد أي الأدلة تهم حقاً. كانت لديهم قائمة ضخمة من الأدلة المحتملة: درجة الحرارة، سرعة الرياح، الرطوبة، السنة، الشهر، وحتى علامة تشير إلى الجائحة.
- استخدموا أداة تسمى SHAP (وهي تشبه العدسة المكبرة) لمعرفة أي الأدلة كانت تؤثر فعلياً.
- المفاجأة: وجدوا أن الطقس (درجة الحرارة، الرياح، المطر) لم يكن مهماً تقريباً! كانت الأدلة الأكثر أهمية هي ببساطة ما حدث في الماضي (استخدام الشهر الماضي) وأي سنة/شهر نحن. كان الطقس مجرد ضجيج في الغالب.
6. النتائج
عندما اختبروا "الفريق الخارق" الجديد (نهج WSB) مقابل الطرق القديمة للتخمين:
- الحرم الكبير: كانت طريقتهم الجديدة هي الأكثر دقة، حيث قللت الخطأ بشكل كبير مقارنة بالنماذج القديمة.
- الحرم الصغير: كانت هي الفائزة هنا أيضاً.
- العائق: حتى مع أفضل فريق لديهم، فإن التنبؤ بـ 12 شهراً في المستقبل أمر صعب. إذا ارتكب النموذج خطأً صغيراً في يناير، فإن هذا الخطأ سيكبر في فبراير، وسيكبر أكثر في مارس (مثل كرة ثلج تتدحرج من فوق تلة). وبسبب هذا، لا تزال نسبة الخطأ لديهم تتراوح بين 14% إلى 18%، وهو في الواقع رقم جيد جداً لتنبؤ طويل الأمد في بيئة فوضوية كهذه.
ملخص
بنى الباحثون نظاماً ذكياً يجمع بين ذكاء اصطناعي قوي يعتمد على الذاكرة مع "شبكة أمان" من النماذج الأبسط. لقد أدركوا أنه بالنسبة للجامعات، الماضي أهم من الطقس. ومن خلال استخدام تقنية "المعزز" الجديدة هذه، تمكنوا من التنبؤ باستخدام الكهرباء بدقة أكبر من ذي قبل، مما يساعد المدارس على توفير المال وإدارة طاقتها بشكل أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.