Yüksek Lisans Adayı: Mutakabbir Ahmed Tayib
EABD: Bilişim Sistemleri
Tarih: 13.08.2023 / 13:15
Yer: A-212
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 artış sadece \%5.17 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.
