Construction of a task-oriented database for electricity  consumption dynamics forecasting

L.А. Lіushenko; O.S. Monko

doi:10.34185/1562-9945-4-159-2025-08

Автор(и)

L.А. Lіushenko
O.S. Monko

DOI:

https://doi.org/10.34185/1562-9945-4-159-2025-08

Ключові слова:

задачеорієнтовані бази даних, датасети, програмні експертні системи, попередня обробка даних, трансформація даних, прогнозування електроспоживання, кореляційний аналіз, періодичні змінні.

Анотація

У зв’язку зі стрімким розвитком технологій штучного інтелекту з’явився широкий перелік нових підходів, які значно розширили можливості сучасних програмних експертних систем, що здатні відігравати критичну роль у науково-технічному розвитку різних галузей — від медицини до промисловості. Основою функціонування програмних експертних систем є наявність релевантних вхідних даних. Програмні експертні системи повинні спиратися на якісно опрацьовану інформацію, отриману шляхом перетворення вимірювань та необроблених даних у структуровані бази даних. Дана стаття присвячена процесу створення бази даних для програмних експертних систем. Досліджуються сучасні програмні рішення, спрямовані на перетворення необ-роблених даних у структурований вигляд, необхідний для високої точності роботи прогнозних обчислювальних модулів. У статті представлено алгоритмічний підхід до побудови бази даних для програмних експертних систем, спрямованих на прогнозування динаміки споживання електроенергії.

Посилання

Batini, C., Cappiello, C., Francalanci, C., & Maurino, A. (2009). Methodologies for data quality assessment and improvement. ACM Computing Surveys, 41(3), Article 16. DOI: 10.1145/1541880.1541883.

Zheng, A., & Casari, A. (2018). Feature engineering for machine learning: Principles and techniques for data scientists. O’Reilly Media.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2017). An introduction to statistical learning: With applications in R (2nd ed.). Springer.

Kimball, R., & Ross, M. (2013). The data warehouse toolkit: The definitive guide to di-mensional modeling (3rd ed.). Wiley.

Cao, L. (2010). Domain-driven data mining: Challenges and prospects. IEEE Transactions on Knowledge and Data Engineering, 22(6), 755–769.

Elmasri, R., & Navathe, S. B. (2016). Fundamentals of database systems (7th ed.). Pearson.

Crowe, M. K., & Laux, F. (2023). Graph data models and relational database technology. arXiv Preprint. https://arxiv.org/abs/2303.12376

Wang, R., Weng, J. та Huang, Z. (2018). A Comprehensive Survey on Data Preprocessing in Big Data Analytics. Journal of Big Data, 5(1), 22. DOI:10.1186/s40537-018-0139-3.

García, S., Fernández, A., Luengo, J., & Herrera, F. (2015). Data preprocessing in data mining. Springer.

Johannemann, J., Hadad, V., Athey, S., & Wager, S. (2019). Sufficient representations for categorical variables. arXiv Preprint. https://arxiv.org/abs/1908.09874

Kitagawa, G. (2024). A Triginometric Seasonal Component Model and its Application to Time Series with Two Types of Seasonality.

С.Ю. Гавриленко, В.О. Полторацький. Метод підвищення оперативності кла-сифікації даних за рахунок зменшення кореляції ознак. Системи управління, навігації та зв’язку. Збірник наукових праць, 2023.

Л.А. Люшенко, О.С. Монько, В.І. Сущук-Слюсаренко. Програмне рішення для про-гнозування динаміки споживання електричної енергії. Наука і техніка сьогодні, №5(33), 2024. DOI:10.52058/2786-6025-2024-5(33)-1258-1268.