arukemre/energy-consumption-based-on-hourly-data

Bu repository Kaggle'da katıldığım Gdz Elektrik Datathon 2023 yarışması çözümümü içerir.Problem İzmir ve Manisa bölgesindeki Gdz Elektrik sorumluluğundaki şebeke merkezlerine yönelik "enerji dağıtım" tahminlenmesi. Train verisi 2018-08-01 den 2022-07-31 kadar saatlik bazda bizden 2022 8. ayın saatlik olarak tahmini yapıldı.

Energy-consumption-forecasting-based-on-hourly-data

Merhaba.

Bu repository Kaggle'da katıldığım Gdz Elektrik Datathon 2023 yarışması çözümümü içerir.Problemmimiz İzmir ve Manisa bölgesindeki Gdz Elektrik sorumluluğundaki şebeke merkezlerine yönelik "enerji dağıtım" tahminlenmesi. Train verisi 2018-08-01 den 2022-07-31 kadar saatlik bazda bizden 2022 8. ayın saatlik olarak tahminlenmesi istenmektedir.Dikkate alacağımız değerlendirme metriği MAPE( Ortalama mutlak yüzde hatasını ölçer.Özellikle yüksek yüzde hataları olan ölçümler için hassas olabilir, bu da outlier'ları yanıltıcı bir şekilde vurgulayabilir.)

Veri Görselleştirmeleri için data-firs-look.ipynp bakabilirsiniz.

Veri ön işleme ve Feature engineering tarafında kullanılan fonksiyonlar modules.ipynp bakabilirsiniz.

MAPE:

Probleme genel olarak modele zamansallığı nasıl daha iyi anlamasına yardımcı olurum şeklinde yaklaşıp bu doğrultuda feature lar yaratttım.İlk olarak Tarih feature'nu timeseries_features fonksiyonu ile extract ederek.Zamansallıgı yakalayabilmesi için kategorik değişkenler oluşturdum. Sonrasında Dış kaynaktan veriler import edildi bu verilere lag edilerek kullanildi.Validasyon datası seçiminde ilk önce kabaca 3 aylık TimeSeriesSplit yaptım (TimeSeriesSplit(n_splits=3, test_size=2200)).Sonrasında validasyonu grafikte gözlemleyebilmek için son 3 ayı validasyon datası olarak aldım.Çok fazla fark yaratmadı.

Kullanılan dış kaynak verileri:

• IZMIR için get_meteostat_data fonksiyonu ile hava durumu verileri çekildi.Shift edilerek lag feature lar oluşturuldu.
• Türkiyenin toplam enerji üretimi saatlik veri.Shift edilip öyle kullanildi.Lag feature oluşturuldu
• Türkiyenin toplam enerji tüketimi.Shift edilip öyle kullanildi.Lag feature oluşturuldu.
• wwo sitesinden yine izmir için hava durumu verileri çekildi.Shift edilip öyle kullanildi.Lag feature oluşturuldu.

Modelleme aşamasında XGboost kullandım.Modeli tune etmek için Optuna kütüphanesinden yararlandım.Olayın daha çok feature engineering tarafında döndüğüne inanan biri olarak farklı algoritmalar deneme zahmetine girmedim:)