Skrypt w Pythonie do prognozowania szeregów czasowych z użyciem Random Forest

Specyfikacja techniczna (ST) dotycząca opracowania programu do prognozowania szeregów czasowych zużycia energii elektrycznej

Celem projektu:

Opracowanie programu do prognozowania zużycia energii elektrycznej na podstawie szeregów czasowych z wykorzystaniem metody Random Forest. Program powinien przyjmować historyczne dane zużycia energii elektrycznej, uczyć model, zapisywać model i skalera, a także wykorzystywać wytrenowany model do prognozowania przyszłego zużycia i zapisywać wyniki w pliku.

Dane wejściowe:

Plik CSV z historycznymi danymi, który zawiera następujące kolumny:

year: Rok obserwacji.

month: Miesiąc obserwacji.

day: Dzień obserwacji.

hour: Godzina obserwacji.

weekday: Dzień tygodnia.

temp: Temperatura powietrza (°C).

function: Zużycie energii elektrycznej (MW/h).

Zmienne docelowe:

Zmienne docelową jest zużycie energii elektrycznej (kolumna function).

Główne etapy programu:

1. Ładowanie danych:
   • Import danych z plików CSV.
   • Podział danych na cechy i zmienną docelową (zużycie energii elektrycznej).
2. Skalowanie danych:
   • Użycie skalera (np. StandardScaler) do przekształcenia danych do jednego skali (normalizacja lub standaryzacja).
3. Tworzenie okien czasowych:
   • Formowanie zestawów cech i wartości docelowych dla każdego okna czasowego (np. 24 godziny).
   • Cechy: year, month, day, hour, weekday, temp.
   • Zmienne docelowe: function (zużycie energii elektrycznej).
4. Uczenie modelu:
   • Użycie modelu RandomForestRegressor do uczenia na danych szeregów czasowych.
   • Podział danych na zbiór treningowy i testowy w celu oceny modelu.
   • Ocena modelu według metryki RMSE lub innych odpowiednich metryk.
5. Zapis modelu i skalera:
   • Zapis wytrenowanego modelu i skalera do plików do dalszego użytku.
6. Użycie okien czasowych do prognozowania:
   • Użycie modelu do prognozowania przyszłych wartości na podstawie nowych danych.
7. Zapis wyników prognozowania:
   • Prognozowane wartości powinny być zapisane w pliku CSV do dalszej analizy
8. Wymagania techniczne:
   
   
   • 
     
   • Język
     programowania: Python 3.x.
   • Używane
     biblioteki:
     • 
       
     • pandas
     • scikit-learn
     • numpy
9. Kryteria sukcesu realizacji:
   
   
   1. Program poprawnie uczy model na danych historycznych i zapisuje go do pliku.
   2. Program wykorzystuje wytrenowany model do prognozowania na nowych danych i
      zapisuje wyniki.
   3. Program prowadzi logowanie wszystkich kluczowych procesów (uczenie, prognozowanie,
      błędy).
   4. Struktura programu i kod są dobrze udokumentowane, są instrukcje dotyczące uruchamiania i
      użytkowania programu.
   5. Program powinien generować prognozę z ogólnym odchyleniem nie większym niż 5%. Oznacza to, że
      średni błąd między rzeczywistymi danymi (w zbiorze testowym) a prognozą
      nie powinien przekraczać 5% od rzeczywistych wartości.

Dodatkowo jest gotowy kod z błędem wyników powyżej 17%. Może się przydać.