كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

التنبؤ بالطلب على الطاقة

متقدمسلاسل زمنية Time Series

وصف المشكلة

التنبؤ بالطلب اليومي على الكهرباء لآخر 28 يوماً اعتماداً على الاتجاه والموسمية الأسبوعية والسنوية. البيانات اصطناعية.

الأهداف

  • التقاط الموسمية الأسبوعية والسنوية
  • المقارنة بنماذج مرجعية
  • قراءة الخطأ بوحدة الهدف

نوع المشكلة

سلاسل زمنية Time Series

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. في KNIME: File ← Import KNIME Workflow… واختر energy-demand-forecasting.knwf، ثم Execute all.
  2. افتح energy-demand-forecasting.ows في Orange بعد تثبيت إضافة Timeseries (Options ← Add-ons).
  3. اقسم البيانات زمنياً: آخر 28 يوماً للاختبار.
  4. أضف خصائص يوم الأسبوع (weekday) وsin/cos للسنة.
  5. درّب انحداراً خطياً وقارنه بالنموذج الساذج والموسمي الساذج (أسبوع).
  6. في KNIME: Date&Time Shift/Lag Column ← Linear Regression Learner ← Line Plot للتنبؤ مقابل الحقيقي.

مخطط سير العمل

Orange

DataTime Series

File FileForm Timeseries Form TimeseriesLine Chart Line ChartARIMA Model ARIMA ModelDataTime seriesTime seriesForecast
مرسوم من ملف سير العمل بصيغة OWS المرفق بالمشروع: العناصر (Widgets) وأيقوناتها وألوان فئاتها وأسماء القنوات على الروابط كما تظهر عند فتحه في Orange.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (4)
  • File → Form Timeseries (Data)
  • Form Timeseries → Line Chart (Time series)
  • Form Timeseries → ARIMA Model (Time series)
  • ARIMA Model → Line Chart (Forecast)

KNIME

مصدر (Source)معالجة (Manipulator)متعلّم (Learner)متنبّئ (Predictor)عرض (Visualizer)منفذ بياناتمنفذ نموذج

CSV Reader — مصدر (Source)CSV ReaderNode 1String to Date&Time — معالجة (Manipulator)String to Date&TimeNode 2Lag Column — معالجة (Manipulator)Lag ColumnNode 3Partitioning — معالجة (Manipulator)PartitioningNode 4Linear Regression Learner — متعلّم (Learner)Linear RegressionLearnerNode 5Regression Predictor — متنبّئ (Predictor)Regression PredictorNode 6Line Plot — عرض (Visualizer)Line PlotNode 7
عُقد KNIME (Nodes) بأسمائها في مستودع العُقد وأيقوناتها الأصلية ولون نوعها وشكلها ومنافذها (المثلث للبيانات والمربع للنموذج) وإشارة الحالة، لتبنيها بالترتيب نفسه. وملف سير العمل الجاهز بصيغة KNWF مرفق في «ملفات المشروع»، وقد نُفّذ بنجاح في محرك KNIME 5.12.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (7)
  • CSV Reader → String to Date&Time
  • String to Date&Time → Lag Column
  • Lag Column → Partitioning
  • Partitioning → Linear Regression Learner
  • Linear Regression Learner → Regression Predictor
  • Regression Predictor → Line Plot
  • Partitioning → Regression Predictor

ملفات المشروع

ملف KNIME (.knwf) بُني على KNIME 5.12 ونُفّذت كل عُقده بنجاح في محرك KNIME دون فتح الواجهة؛ افتحه من File ← Import KNIME Workflow.

النتائج

نتائج فعلية محسوبة على الملفات المرفقة

مرجع محسوب بـ scikit-learn 1.9.1، فترة الاختبار: last 28 days:
• Naive (last value): MAE 24.56 MWh، RMSE 29.23 MWh
• Seasonal naive: MAE 19.86 MWh، RMSE 25.16 MWh
• Linear trend + seasonality (regression): MAE 16.10 MWh، RMSE 19.48 MWh

مقاييس التقييم

  • MAE
  • RMSE

تفسير النتائج

نموذج الانحدار مع الموسمية خفض MAE من 24.56 (ساذج) إلى 16.10 ميغاواط ساعة. يوم الأسبوع أهم خاصية قصيرة المدى، والموسمية السنوية تفسر ارتفاع الصيف.

أسئلة للمناقشة

  • كيف تضيف أثر العطل الرسمية؟
  • ما المخاطر إذا تغير سلوك الاستهلاك فجأة؟
  • لماذا نقارن دائماً بنموذج ساذج؟

جرّبه في مختبر الانحدار

مشاريع مشابهة