Проведено порівняння методів машинного навчання для класифікації різних муніципальних споживачів енергетичних ресурсів. Методи машинного навчання допомагають в аналізі параметрів систем управління енергоспоживанням та підтримці прийняття ефективних рішень енергоменеджерами. Виконано аналіз особливостей застосування різних методів машинного навчання в задачах аналізу даних: Naive Bayes, CART, Bagged CART, Randoom Forest, Adaboost, eXtreme Gradient Boosting, Support Vector Machine з лінійним ядром та з радіально базисною функцією. Обрано метрики для оцінки якості моделей, що використовувались для класифікації споживачів. Отримано оптимальні значення гіперпараметрів для кожної з моделей. Проведено вибір моделей, що мають найкращі результати відповідно до обраних метрик окремо для кожної групи користувачів: школи, дитячі садки, бібліотеки тощо. Так, для вирішення задачі класифікації даних про теплоспоживання дошкільних навчальних закладів обрано метод eXtreme Gradient Boosting, для класифікації даних про теплоспоживання загальноосвітніх шкіл - bagged CART, для класифікації даних про теплоспоживання закладів позашкільної освіти, бібліотек тощо - Randoom Forest. Отримані результати дозволяють підвищити якість аналізу ефективності використання енергетичних ресурсів для теплозабезпечення будівель різного призначення та можуть впроваджуватись в системи муніципального енергомоніторингу.

• Перекрест Андрій Леонідович (технічні науки)
• Огарь Віта Олександрівна (технічні науки)
• Вовна Олександр Володимирович (1979–) (технічні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"