Прогнозування газоспоживання на основі методів машинного навчання: MLP, дерева рішень та градієнтного бустингу
DOI:
https://doi.org/10.33216/1998-7927-2026-304-6-88-101Ключові слова:
газоспоживання, прогнозування, методи машинного навчання, MLP, дерево рішень, градієнтний бустинг, часові рядиАнотація
У роботі досліджено точність прогнозування споживання природного газу за допомогою методів машинного навчання: багатошарового персептрона (MLP), дерева рішень і градієнтного бустингу. Прогноз формувався для послідовних трьохгодинних інтервалів, а точність обраних моделей оцінювалася на повному річному тестовому інтервалі – 2019 року. Основну увагу зосереджено не лише на виборі алгоритму, а й на способі подання інформації про попередню динаміку газоспоживання. Для всіх моделей використано однаковий набір із 47 вхідних ознак. До нього входили 16 метеорологічних, шість циклічних часових, 11 лагових, дев’ять ковзних і п’ять різницевих ознак. Це дало змогу порівнювати прогнозні можливості алгоритмів за однакового складу вхідних ознак. Дані попередніх років використано для побудови та налаштування моделей, а 2019 рік залишено для незалежної перевірки. Результати показали, що найвищу точність прогнозування на річному тестовому інтервалі формує дерево рішень. Градієнтний бустинг і MLP також достатньо точно відтворюють загальну динаміку газоспоживання, однак частіше помиляються на ділянках зі швидкою зміною режиму. Найбільші розбіжності між моделями спостерігаються восени, коли газоспоживання переходить від низького літнього рівня до рівня, характерного для опалювального сезону. Аналіз важливості вхідних ознак показав, що прогноз найбільшою мірою визначається попередніми значеннями газоспоживання, тоді як метеорологічні та календарні характеристики дають змогу врахувати вплив погодних умов, сезонності та часових закономірностей процесу. Отримані результати підтверджують, що точність прогнозування залежить не лише від вибору моделі, а й від того, наскільки повно у вхідних даних відображено часову структуру процесу. Статистична перевірка показала, що дерево рішень має статистично підтверджену перевагу над MLP і градієнтним бустингом, тобто виявлені відмінності в точності прогнозування не можна пояснити лише випадковою варіативністю похибок на тестовій вибірці. Практичне значення роботи полягає у можливості використання отриманих результатів для побудови систем оперативного прогнозування газоспоживання в умовах сезонної мінливості попиту та погодних змін.
Посилання
1. Liu J., Wang S., Wei N., Chen X., Xie H., Wang J. Natural gas consumption forecasting: A discussion on forecasting history and future challenges // Journal of Natural Gas Science and Engineering. 2021. Vol. 90. Article 103930. DOI: https://doi.org/10.1016/j.jngse.2021.103930
2. Šebalj D., Mesarić J., Dujak D. Analysis of methods and techniques for prediction of natural gas consumption: A literature review // Journal of Information and Organizational Sciences. 2019. Vol. 43, No. 1. P. 99–117. DOI: https://doi.org/10.31341/jios.43.1.6
3. Szoplik J. Forecasting of natural gas consumption with artificial neural networks // Energy. 2015. Vol. 85. P. 208–220. DOI: https://doi.org/10.1016/j.energy.2015.03.084
4. Merkel G. D., Povinelli R. J., Brown R. H. Short-Term Load Forecasting of Natural Gas with Deep Neural Network Regression // Energies. 2018. Vol. 11, No. 8. Article 2008. DOI: https://doi.org/10.3390/en11082008
5. Laib O., Khadir M. T., Mihaylova L. Toward efficient energy systems based on natural gas consumption prediction with LSTM Recurrent Neural Networks // Energy. 2019. Vol. 177. P. 530–542. DOI: https://doi.org/10.1016/j.energy.2019.04.075
6. Sharma V., Cali Ü., Sardana B., Kuzlu M., Banga D., Pipattanasomporn M. Data-driven short-term natural gas demand forecasting with machine learning techniques // Journal of Petroleum Science and Engineering. 2021. Vol. 206. Article 108979. DOI: https://doi.org/10.1016/j.petrol.2021.108979
7. Tian N., Shao B., Bian G., Zeng H., Li X., Zhao W. Application of forecasting strategies and techniques to natural gas consumption: A comprehensive review and comparative study // Engineering Applications of Artificial Intelligence. 2024. Vol. 129. Article 107644. DOI: https://doi.org/10.1016/j.engappai.2023.107644
8. Zhao M., Guo G., Fan L., Han L., Yu Q., Wang Z. Short-term natural gas load forecasting based on EL-VMD-Transformer-ResLSTM // Scientific Reports. 2024. Vol. 14. Article 20343. DOI: https://doi.org/10.1038/s41598-024-70384-9
9. Lin Z., Xie L., Zhang S. A compound framework for short-term gas load forecasting combining time-enhanced perception transformer and two-stage feature extraction // Energy. 2024. Vol. 298. Article 131365. DOI: https://doi.org/10.1016/j.energy.2024.131365
10. Wang H., Gao X., Zhang Y., Yang Y. Natural Gas Consumption Forecasting Model Based on Feature Optimization and Incremental Long Short-Term Memory // Sensors. 2025. Vol. 25, No. 10. Article 3079. DOI: https://doi.org/10.3390/s25103079
11. Xu X., Xu H., Mei K., Tong L., Liu Z., Wang T., Fang K. Integrating multi-modal data into transformer model for short-term gas consumption forecasting // Alexandria Engineering Journal. 2025. Vol. 122. P. 655–664. DOI: https://doi.org/10.1016/j.aej.2025.03.029
12. Niu P., Du J., Xu N., Wang B., Liao Q., Qiu R., Cai S., Liang Y. P-KTFNet: A prior knowledge enhanced time-frequency forecasting model for natural gas consumption // Energy. 2025. Vol. 328. Article 136559. DOI: https://doi.org/10.1016/j.energy.2025.136559
13. Qiao W., Ma Q., Yang Y., Xi H., Huang N., Yang X. et al. Natural gas consumption forecasting using a novel two-stage model based on improved sparrow search algorithm // Journal of Pipeline Science and Engineering. 2025. Vol. 5, No. 1. Article 100220. DOI: https://doi.org/10.1016/j.jpse.2024.100220
14. Lytvynenko I., Lupenko S., Nazarevych O., Shymchuk H., Hotovych V. Additive mathematical model of gas consumption process // Scientific Journal of TNTU. 2021. Vol. 104, No. 4. P. 87–97. DOI: https://doi.org/10.33108/visnyk_tntu2021.04.087
15. Lytvynenko I., Lupenko S., Kunanets N., Nazarevych O., Shymchuk G., Hotovych V. Simulation of gas consumption process based on the mathematical model in the form of cyclic random process considering the scale factors // CEUR Workshop Proceedings. 2021. Vol. 3039. P. 97–106. URL: https://ceur-ws.org/Vol-3039/paper23.pdf
16. Shymchuk G., Lytvynenko I., Hromyak R., Lytvynenko S., Hotovych V. Gas Consumption Forecasting Using Machine Learning Methods and Taking Into Account Climatic Indicators // CEUR Workshop Proceedings. 2023. Vol. 3468. P. 156–163. URL: https://ceur-ws.org/Vol-3468/short8.pdf
17. Bergmeir C., Benítez J. M. On the use of cross-validation for time series predictor evaluation // Information Sciences. 2012. Vol. 191. P. 192–213. DOI: https://doi.org/10.1016/j.ins.2011.12.028
18. Tashman L. J. Out-of-sample tests of forecasting accuracy: an analysis and review // International Journal of Forecasting. 2000. Vol. 16, No. 4. P. 437–450. DOI: https://doi.org/10.1016/S0169-2070(00)00065-0
19. Nair V., Hinton G. E. Rectified Linear Units Improve Restricted Boltzmann Machines // Proceedings of the 27th International Conference on Machine Learning. 2010. P. 807–814. URL: https://proceedings.mlr.press/v9/nair10a.html
20. Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization // Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015). 2015. URL: https://arxiv.org/abs/1412.6980
21. Breiman L., Friedman J. H., Olshen R. A., Stone C. J. Classification and Regression Trees. Belmont, CA : Wadsworth, 1984.
22. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine Learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830. URL: https://jmlr.org/papers/v12/pedregosa11a.html
23. Friedman J. H. Greedy Function Approximation: A Gradient Boosting Machine // The Annals of Statistics. 2001. Vol. 29, No. 5. P. 1189–1232. DOI: https://doi.org/10.1214/aos/1013203451
24. Hyndman R. J., Koehler A. B. Another look at measures of forecast accuracy // International Journal of Forecasting. 2006. Vol. 22, No. 4. P. 679–688. DOI: https://doi.org/10.1016/j.ijforecast.2006.03.001
25. Diebold F. X., Mariano R. S. Comparing predictive accuracy // Journal of Business & Economic Statistics. 1995. Vol. 13, No. 3. P. 253–263. DOI: https://doi.org/10.1080/07350015.1995.10524599
26. Altmann A., Toloşi L., Sander O., Lengauer T. Permutation importance: a corrected feature importance measure // Bioinformatics. 2010. Vol. 26, No. 10. P. 1340–1347. DOI: https://doi.org/10.1093/bioinformatics/btq134
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
