Скрипт на Python для прогнозування часових рядів з Random Forest

Технічне завдання (ТЗ) на розробку програми для прогнозування часових рядів споживання електроенергії

Мета проекту:

Розробити програму для прогнозування споживання електроенергії на основі часових рядів з використанням методу Random Forest. Програма повинна приймати історичні дані споживання електричної енергії, навчати модель, зберігати модель і масштабувальник, а також використовувати натреновану модель для прогнозування майбутнього споживання і зберігати результати у файлі.

Вхідні дані:

Файл CSV з історичними даними, який містить наступні колонки:

year: Рік спостереження.

month: Місяць спостереження.

day: День спостереження.

hour: Година спостереження.

weekday: День тижня.

temp: Температура повітря (°C).

function: Споживання електричної енергії (МВт/год).

Цільова змінна:

Цільовою змінною є споживання електричної енергії (колонка function).

Основні етапи програми:

1. Завантаження даних:
   • Імпорт даних з CSV-файлів.
   • Розділення даних на ознаки та цільову змінну (споживання електроенергії).
2. Масштабування даних:
   • Використання масштабувальника (наприклад, StandardScaler) для приведення даних в єдиний масштаб (нормалізація або стандартизація).
3. Створення часових вікон:
   • Формування наборів ознак і цільових значень для кожного часового вікна (наприклад, 24 години).
   • Ознаки: year, month, day, hour, weekday, temp.
   • Цільова змінна: function (споживання електроенергії).
4. Навчання моделі:
   • Використання моделі RandomForestRegressor для навчання на даних часових рядів.
   • Розділення даних на навчальну та тестову вибірки для оцінки моделі.
   • Оцінка моделі за метрикою RMSE або іншими відповідними метриками.
5. Збереження моделі та масштабувальника:
   • Збереження навченої моделі та масштабувальника у файли для подальшого використання.
6. Використання часових вікон для прогнозування:
   • Використання моделі для прогнозування майбутніх значень на основі нових даних.
7. Збереження результатів прогнозування:
   • Прогнозовані значення повинні бути збережені у CSV-файл для подальшого аналізу
8. Технічні вимоги:
   
   
   • 
     
   • Мова
     програмування: Python 3.x.
   • Використовувані
     бібліотеки:
     • 
       
     • pandas
     • scikit-learn
     • numpy
9. Критерії успішності виконання:
   
   
   1. Програма коректно навчає модель на історичних даних і зберігає її у файл.
   2. Програма використовує навчена модель для прогнозування на нових даних і
      зберігає результати.
   3. Програма веде логування всіх ключових процесів (навчання, прогнозування,
      помилки).
   4. Структура програми та код добре документовані, є інструкції по запуску та
      використанню програми.
   5. Програма повинна видавати прогноз з загальним відхиленням не більше 5%. Це означає, що
      середня помилка між фактичними даними (в тестовій вибірці) і прогнозом
      не повинна перевищувати 5% від реальних значень.

Додатково є готовий код з похибкою результатів вище 17%. Може Вам знадобиться.