日次の気象情報から電気消費量を予測するモデル
GitHub - og3/denkiyohou: 日次の気象情報から電気消費量を予測するモデル
日次の気象情報から電気消費量を予測するモデル. Contribute to og3/denkiyohou development by creating an account on GitHub.
github.com
現状の予測精度
2023年2月から2025年2月までの気象と電気使用量のデータで学習したランダムフォレスト予測モデルの精度は以下の通り。
$ python predict_power_consumption.py
# 予測と実際の差（誤差）の大きさを平均的にどれくらいかを表す指標：1日当たり平均して2.73kWhくらい使うってこと
RMSE: 2.7310133760199715
# モデルがどの程度「傾向」をつかめているかを表す指標で、0〜1の間の値になる。：4割くらいはデータの傾向がつかめているってこと
R²: 0.4127938362704643学習データ：
denkiyohou/datas/daily_weather_and_power_consumption.csv at main · og3/denkiyohou
日次の気象情報から電気消費量を予測するモデル. Contribute to og3/denkiyohou development by creating an account on GitHub.
github.com
2025年3月の気象と電気使用量のデータを元に予測してみた
上記のモデルで気象データから電気使用量を予測してみた。
| date | 予測(kWh) | 実際(kWh) | 乖離(kWh) |
| 2025/3/1 | 6.125 | 4.5 | 1.625 |
| 2025/3/2 | 6.49 | 3.9 | 2.59 |
| 2025/3/3 | 11.112 | 4.7 | 6.412 |
| 2025/3/4 | 14.342 | 5.1 | 9.242 |
| 2025/3/5 | 11.726 | 4.7 | 7.026 |
| 2025/3/6 | 9.303 | 6.3 | 3.003 |
| 2025/3/7 | 9.886 | 4.6 | 5.286 |
| 2025/3/8 | 12.264 | 4.2 | 8.064 |
| 2025/3/9 | 10.732 | 7 | 3.732 |
| 2025/3/10 | 10.187 | 4.4 | 5.787 |
| 2025/3/11 | 7.803 | 4.2 | 3.603 |
| 2025/3/12 | 5.937 | 5.2 | 0.737 |
| 2025/3/13 | 5.677 | 5.6 | 0.077 |
| 2025/3/14 | 7.104 | 6.1 | 1.004 |
| 2025/3/15 | 9.586 | 4.4 | 5.186 |
| 2025/3/16 | 8.35 | 5.4 | 2.95 |
| 2025/3/17 | 7.694 | 6.6 | 1.094 |
| 2025/3/18 | 10.145 | 5.2 | 4.945 |
| 2025/3/19 | 11.965 | 5.7 | 6.265 |
| 2025/3/20 | 10.309 | 7.7 | 2.609 |
| 2025/3/21 | 7.485 | 8 | -0.515 |
| 2025/3/22 | 5.909 | 7.5 | -1.591 |
| 2025/3/23 | 6.322 | 5 | 1.322 |
| 2025/3/24 | 6.415 | 4 | 2.415 |
乖離がだいぶあることが分かった。
次はモデルの精度を上げるために、乖離が大きい部分と小さい部分のデータを見ていく。
気象データ：
気象庁｜過去の気象データ検索
気象庁｜過去の気象データ検索
www.data.jma.go.jp
予測モデルの精度を高めるためのアプローチまとめ
以下の手順でやっていく。
- 乖離が大きい日と少ない日のデータを観察して、予測に寄与している特徴量を特定する
- 特徴量の追加と削除
- ランダムフォレストのパラメータ調整（木の深さ、数など）
スクリプトの課題まとめ
現状の作業では以下の課題があるので、今後解決させていく。
- データの取得と整形が面倒くさい＝＞自動取得と前処理の自動化をやる
- 前処理、モデルの生成・更新、予測の工程をそれぞれのスクリプトに分ける
コメント