A comparative study of deep learning techniques for time series forecasting in energy consumption prediction
Derin öğrenme teknikleri ile enerji tüketimini tahmin etmek için zaman serisi tahminine yönelik karşılaştırmalı bir çalışma
- Tez No: 815287
- Danışmanlar: PROF. DR. TUĞBA TAŞKAYA TEMİZEL, PROF. DR. CEYLAN TALU YOZGATGİL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, İstatistik, Computer Engineering and Computer Science and Control, Science and Technology, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 195
Özet
Bu tez, derin öğrenme tekniklerini kullanarak enerji tüketimi tahminlerine yaklaşım için bir rehber sağlamaktadır. Bu çalışma, tek değişkenli ve çok değişkenli enerji tüketimi tahminleri için zaman serisi model performanslarının ne kadar karşılaştırılabilir olduğunu, veri önişleme tekniklerinin, özelliklerin ve değişkenlerin performans üzerinde nasıl etkili olduğunu ve model karmaşıklığının hem tek değişkenli hem de çok değişkenli modeller için performanslara nasıl etki ettiğini araştırmaktadır. Derin öğrenme teknikleri, yeterli model performansını elde etmek için kapsamlı eğitim süresi gerektirir ve farklı model mimarileri ve kullanılan donanıma göre değişime tabidir, bu da kapsamlı eğitimin çevresel etkisini sorgulatmaktadır. Long Short Term Memory (LSTM), Convolutional Neural Network (CNN), Transformer, SARIMA ve Temporal Fusion Transformer (TFT) modelleri kullanılarak üç farklı veri seti kullanılmıştır. Deneyler, 1528 deney çalışması üzerinde sistemli bir şekilde gerçekleştirilmiş ve bu çalışmada kullanılan metodolojiler, araştırma sorularını yanıtlamak için tamamen şeffaflıkla sunulmuştur ve hedeflenen model performansını elde ederken kullanılan donanımda hesaplama süresi de dahil olmak üzere kaynak kullanımı yönlerinde net bir bakış sunmaktadır. Sonuçlar, üç test edilen veri setinin ikisinde tek değişkenli modelin çok değişkenli modellerin üstünde olduğunu göstermektedir. Tüm model mimarileri arasında, LSTM tek değişkenli deneylerin hepsinin üzerindedir, TFT ise çok değişkenli deneylerin en iyisini gerçekleştirir. TFT çok değişkenli modelin üstünlük sağladığı veri setinde, tahmin Ortalama Mutlak Yüzde Hata (MAPE) oranında marjinal azalış sadece %11.2 dir, bu da deneyin kapsamlı eğitim ve kaynak maliyetini doğrulamamaktadır. Sonuç olarak, tek değişkenli modellerin enerji tüketimi tahmininde daha üstün olduğu, daha az karmaşık olduğu ve önemli ölçüde daha az eğitim süresi, maliyet ve kaynak gerektirdiği sonucuna varılabilir.
Özet (Çeviri)
This thesis provides a guideline for approaching energy consumption predictions using deep learning techniques. This study explores how comparable the time series model performances are for univariate vs. multivariate energy consumption forecasts, what data preprocessing techniques, features, and variables impact the performances, and how the level of model complexity impacts the performances for both univariate and multivariate models. Deep learning techniques require extensive training time to produce adequate model performances, subject to change between different model architectures and hardware used, begging the question of the environmental impact of the extensive training. Three different data sets were employed using Long Short Term Memory (LSTM), Convolutional Neural Network (CNN), Transformer, Seasonal Autoregressive Integrated Moving Average (SARIMA) & Temporal Fusion Transformer (TFT) Models. Experiments are conducted systematically over 1528 experiment runs, and the methodologies used in this study to answer the research questions are provided in full transparency, offering a clear insight into resource usage aspects, including the computation time on the employed hardware while attaining the targeted model performance. The results show that the univariate model outperforms the multivariate models for two of the three data sets tested. Among all the model architectures, LSTM outperforms all the univariate experiments, while TFT performs best among the multivariate experiments. In the data set where the TFT multivariate model performance has the upper hand, the marginal decrease in forecast Mean Absolute Percentage Error (MAPE) is only 11.2%, which does not validate the experimentation's extensive training and resource cost. Consequently, it can be concluded that univariate models are superior in forecasting energy consumption despite being less complex and requiring significantly less training time, cost, and resources.
Benzer Tezler
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma
A study on direction prediction of capital markets with recurrent neural networks
MUHİDDİN ÇAĞLAR EREN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms
Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu
MELİS KÜÇÜK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- A comparative study for football analytics with data mining and artificial intelligence techniques
Veri madenciliği ve yapay zeka teknikleri ile karşılaştırmalı futbol analitiği
MUSTAFA AADEL MASHJAL AL-ASADI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA