इलेक्ट्रिकल ऊर्जा खपत भविष्यवाणी के लिए मशीन लर्निंग तकनीकों की समीक्षा

चल रही ऊर्जा संक्रमण, जो वैश्विक तापमान वृद्धि को कम करने के लिए आवश्यक है, इमारत ऊर्जा खपत भविष्यवाणी में प्रगति से महत्वपूर्ण लाभ प्राप्त कर सकती है। बड़े डेटा के बढ़ने के साथ, डेटा-चालित मॉडल भविष्यवाणी में increasingly प्रभावी हो गए हैं, जिसमें मशीन लर्निंग इन पूर्वानुमानिक मॉडलों का निर्माण करने के लिए सबसे कुशल विधि के रूप में उभरी है। जबकि पिछले समीक्षाओं ने आमतौर पर ऊर्जा खपत भविष्यवाणी के लिए विभिन्न मशीन लर्निंग मॉडलों को सूचीबद्ध किया है, अक्सर उनका एक सिद्धांतात्मक दृष्टिकोण की कमी रही है जो यह बताती है कि क्यों कुछ मॉडल इस क्षेत्र के विभिन्न पहलुओं के लिए उपयुक्त हैं। इसके विपरीत, यह समीक्षा उनकी आवेदन चरणों के आधार पर मशीन लर्निंग तकनीकों को प्रस्तुत करती है, जिसमें विशेषताएं चयन, निष्कर्षण, और क्लस्टरिंग जैसी पूर्वप्रसंस्करण तकनीकों को शामिल किया गया है, साथ ही अत्याधुनिक पूर्वानुमानिक मॉडल। हम विभिन्न मॉडलों का एक तुलनात्मक सिद्धांतात्मक विश्लेषण प्रदान करते हैं, उनकी ताकत, कमजोरियों, और विभिन्न भविष्यवाणी कार्यों के लिए उपयुक्तता का परीक्षण करते हैं। इसके अतिरिक्त, हम ऊर्जा खपत पूर्वानुमान में स्थानिक-कालिक चिंताओं पर चर्चा करते हैं, जिसमें ग्राफ न्यूरल नेटवर्क्स और मल्टीटास्क लर्निंग की भूमिका शामिल है। इसके साथ ही, हम इस क्षेत्र में एक महत्वपूर्ण चुनौती का सामना करते हैं, उच्च-उमंग वाली बिजली खपत की सटीक भविष्यवाणी की कठिनाई, और इस मुद्दे को हल करने के लिए संभावित समाधान पेश करते हैं। • सिद्धांत से व्यावहारिक अनुप्रयोग तक मशीन लर्निंग मॉडलों का व्याख्या। • विभिन्न मॉडलों की ताकत और कमजोरियों की तुलना। • पूर्वप्रसंस्करण तकनीकों को कवर करना: विशेषताएं चयन, निष्कर्षण, और क्लस्टरिंग। • स्थानिक-कालिक चिंतन: ग्राफ न्यूरल नेटवर्क्स और मल्टीटास्क लर्निंग। • उच्च-उमंग वाली बिजली खपत की भविष्यवाणी में चुनौतियां और समाधान।