. Прогнозирование энергопотребления играет ключевую роль в оптимизации распределения ресурсов, снижении затрат и продвижении устойчивого развития в различных отраслях. Цель данного исследования – прогнозирование энергопотребления с использованием трех моделей машинного обучения: линейной регрессии, LightGBM и нейронной сети. После проведения всестороннего исследовательского анализа данных (EDA) для изучения структуры и ключевых характеристик набора данных были построены модели и оценены по таким метрикам, как среднеквадратичная ошибка (MSE), средняя абсолютная ошибка (MAE) и коэффициент детерминации (R²). Результаты показывают, что модель LightGBM превосходит остальные модели, достигая наивысшей точности предсказаний. Эти результаты подчеркивают важность передовых методов машинного обучения в прогнозировании энергопотребления для повышения точности предсказаний и принятия решений.

прогнозирование энергопотребления, машинное обучение, LightGBM, нейронная сеть, линейная регрессия.