Household Energy Consumption Forecasting – Day-Ahead Hourly Prediction

تطوير مشروع متكامل للتنبؤ باستهلاك الكهرباء المنزلي خلال الـ 24 ساعة القادمة باستخدام تقنيات تعلم الآلة (Machine Learning) وتحليل السلاسل الزمنية (Time Series Forecasting)، بالاعتماد على بيانات الاستهلاك التاريخية.

شمل المشروع تنظيف البيانات ومعالجتها، وإجراء التحليل الاستكشافي للبيانات (EDA)، وإنشاء خصائص زمنية متقدمة (Feature Engineering)، مثل قيم الاستهلاك السابقة (Lag Features) والإحصائيات المتحركة (Rolling Statistics) ومتوسط الاستهلاك في نفس الساعة خلال الأيام السابقة.

تم تطوير ومقارنة عدة نماذج، منها Ridge Regression وRandom Forest وHistGradientBoosting، مع مقارنتها بطرق التنبؤ الأساسية (Baseline Models). كما تم تطبيق تقسيم زمني للبيانات (Chronological Train-Validation-Test Split) واستخدام Walk-Forward Validation لتقييم النماذج بطريقة واقعية ومنع تسرب البيانات (Data Leakage).

تم استخدام RandomizedSearchCV وTimeSeriesSplit لضبط المعاملات وتحسين أداء النماذج، واختيار نموذج Random Forest الذي حقق متوسط خطأ مطلق (MAE) قدره 0.435 كيلوواط، وجذر متوسط مربع الخطأ (RMSE) قدره 0.600 كيلوواط على بيانات الاختبار.

بالإضافة إلى ذلك، تم تطوير نطاقات تنبؤ (Prediction Intervals) باستخدام Quantile Regression وSplit-Conformal Calibration، وحققت نطاقات التنبؤ ذات مستوى الثقة المستهدف 80% تغطية فعلية بلغت 80.2%.

وفي النهاية، تم إنشاء واجهة تفاعلية باستخدام Streamlit تتيح تحميل البيانات، وتدريب النماذج، وإنشاء توقعات استهلاك الكهرباء للـ 24 ساعة القادمة، وعرض النتائج بصريًا.

يعكس المشروع تطبيقًا عمليًا لمهارات Python وPandas وNumPy وScikit-learn، وهندسة الخصائص، وتحليل السلاسل الزمنية، وتقييم النماذج، وتطوير تطبيقات تعلم الآلة التفاعلية.