Key points are not available for this paper at this time.
إن التنبؤ الدقيق بأحمال الطاقة في المباني أمر ضروري للمباني الذكية وإدارة الطاقة المستدامة. بينما تتفوق أساليب التعلم الآلي (ML) على النماذج الإحصائية التقليدية في التقاط العلاقات غير الخطية، فإن معظم الدراسات تركز أساسًا على تحسين دقة التنبؤ، متجاهلة أهمية الكفاءة الحسابية وتماسك الميزات، والتي تعد حاسمة في البيئات التي تعاني من قيود على الموارد وفي الوقت الحقيقي. تهدف هذه الدراسة إلى تقييم ما إذا كانت تقنيات اختيار الميزات المستوحاة من الطبيعة الهجينة يمكن أن تعزز دقة وكفاءة حسابات التنبؤ بأحمال الطاقة في المباني المعتمدة على التعلم الآلي. باستخدام مجموعة بيانات كفاءة الطاقة من UCI، تم تدريب ثمانية نماذج تعلم آلي (LightGBM وCatBoost وXGBoost وDecision Tree وRandom Forest وExtra Trees وLinear Regression وSupport Vector Regression) تحت مجموعات الميزات المستمدة من خوارزمية تحسين الفراشة (BOA) وخوارزمية تحسين الذئب الرمادي (GWO) ومنهج هجيني BOA–GWO. تم تقييم أداء النموذج باستخدام ثلاثة مقاييس (MAE وRMSE وR2)، بالإضافة إلى زمن التدريب وزمن التنبؤ وعدد الميزات المختارة. تُظهر النتائج أن نماذج تعزيز التدرج تحقق باستمرار أعلى دقة، حيث تحقق CatBoost قيمة R2 تبلغ 0.99 أو أعلى. حقق الأسلوب الهجين المقترح BOA–GWO دقة تنافسية مع عدد أقل من الميزات وزمن تدريب أقل، مما يظهر ملاءمته لنشر التعلم الآلي بكفاءة في بيئات المباني الذكية. بدلاً من اقتراح خوارزمية متاهيرستية جديدة، تسهم هذه الدراسة من خلال تكييف استراتيجية اختيار الميزات الهجينة BOA–GWO لمجال طاقة المباني وتقييم فوائدها ضمن إطار أداء متعدد المعايير. تدعم النتائج اعتمادًا عمليًا لخطوط أنابيب التعلم الآلي المدعومة باختيار الميزات الهجينة للأنظمة الذكية للمباني، ومنصات إدارة الطاقة، والتطبيقات الوقت الحقيقي المستندة إلى إنترنت الأشياء.
Keleş et al. (Sun,) درسوا هذا السؤال.