Abstract
<jats:p>В статье рассматриваются методы прогнозирования электропотребления на основе анализа временных рядов. В рамках исследования предложен метод автоматизированного выделения характеристик из временных последовательностей, направленный на их дальнейшее использование в задачах машинного обучения. Данный подход позволяет эффективно преобразовывать исходные данные в информативные признаки, пригодные для построения и обучения прогностических моделей. Исследование проводится на данных о потреблении электроэнергии в коммерческих объектах, что позволяет повысить точность прогнозирования и оптимизировать управление энергохозяйством. В работе представлены результаты сравнения различных комбинаций оценочных показателей и функций потерь в рамках одной модели машинного обучения. Особое внимание уделено оценке неопределенности прогнозов и анализу влияния временных факторов на точность предсказаний. Результаты исследования демонстрируют, что использование современных методов машинного обучения позволяет достичь высокой точности прогнозирования электропотребления на основе исторических данных.</jats:p> <jats:p>The article discusses methods for predicting power consumption based on time series analysis. As part of the study, a method for the automated extraction of characteristics from time sequences is proposed, aimed at their further use in machine learning tasks. This approach makes it possible to effectively transform the initial data into informative features suitable for building and training predictive models. The study considers data on electricity consumption in commercial facilities, which makes it possible to increase forecasting accuracy and optimize energy management. The paper presents the results of comparing various combinations of estimated indicators and loss functions within the framework of a single machine learning model. Special attention is paid to estimating the uncertainty of forecasts and analyzing the influence of time factors on the accuracy of predictions. The results of the study demonstrate that the use of modern machine learning methods makes it possible to achieve high accuracy in predicting power consumption based on historical data.</jats:p>