Вы используете устаревший браузер.
Чтобы использовать все возможности сайта, загрузите и установите один из этих браузеров:
Google ChromeOperaSafariMozilla FirefoxInternet explorer 8Internet explorer 9

ВНИМАНИЕ!

Новый адрес редакций журналов Колодезный пер., 2 А.

ООО «Издательство «Инновационное машиностроение»

КНИГИ Прайс-лист
ЖУРНАЛЫ Прайс-лист

Все статьи автора в журнале: Данилов К.В.

  1. Прогнозирование энергопотребления на основе автоматического машинного обучения
    Energy prediction based on automatic machine teaching

    Номер: 2020 / 09

    Данилов К.В. | Danilov K.V. | danilovkostya@yandex.rudanilovkostya@yandex.ru

    Авторы статьи
    Authors

    Данилов К.В.
    Danilov K.V.

    danilovkostya@yandex.ru
    danilovkostya@yandex.ru


    Прогнозирование энергопотребления на основе автоматического машинного обучения

     

    УДК 004.8:519.688

     

    Рассмотрена задача прогнозирования энергопотребления на основе автоматического машинного обучения. Приведена схема процесса автоматического создания и применения модели прогнозирования. Предлагаемый подход апробирован на основе данных о потреблении электроэнергии в регионах России. Проведённый вычислительный эксперимент показал высокую эффективность разработанной модели. Точность прогнозирования составила 97...99 %.




    Ключевые слова

    автоматическое машинное обучение; прогнозирование временных рядов; прогнозирование потребления электроэнергии; деревья решений; рекуррентные нейронные сети

    Energy prediction based on automatic machine teaching

    The problem of energy consumption prediction based on automatic machine teaching is considered. The scheme of the automatic creation process and application of the prediction model is given. On the basis of electricity consumption data in the regions of Russia the proposed approach is tested. A carried out computational experiment showed the high efficiency of the developed model. The prediction accuracy is 97...99 %.


    Keywords

    automatic machine teaching; time series prediction; prediction of the electricity consumption; decision trees; recurrent neural networks

Идет загрузка
НАЗАД
Для перехода на предыдущую страницу используйте эту кнопку