1973-2022 ARASINDA ABD ENERJİ TÜKETİMİNİN GRU, NARX VE 1D-CNN REGRESYON MODELLERİ KULLANILARAK TAHMİN EDİLMESİ

Öz

Bu makale, 1973 ile 2023 yılları arasında ABD'deki aylık enerji tüketimini tahmin etmek için kullanılan, 600 aylık veriyi içeren gerçekçi bir veri kümesiyle, Kapılı Tekrarlayan Birim (GRU), Dışsal Girişli Doğrusal Olmayan Otoregresif Model (NARX) ve tek boyutlu Evrişimsel Sinir Ağı (1D-CNN) olmak üzere 3 farklı derin öğrenme modelini analiz etmektedir. Bu deneyde veri kümesi %70 eğitim, %15 doğrulama ve %15 test kümelerine ayrılmıştır. Zaman serileri, her biri 12 aylık geriye dönük dönemlerden oluşan denetimli öğrenme dizilerine dönüştürülmüştür. NARX modelinde, her zaman adımı için oluşturulan üç dışsal girdiyi (3 aylık hareketli ortalama, trend ve oynaklık) içeren bir özellik mühendisliği süreci uygulanmıştır. Buna karşılık, GRU ve 1D-CNN modelleri doğrudan ham zaman serisi dizileri üzerinde eğitilmiştir. Deneysel sonuçlar, tekrarlayan mimarilerin bu görev için son derece uygun olduğunu göstermektedir; GRU modeli, eğitim ve test kümeleri arasında 0,124 R²'lik hafif bir aşırı uyum farkı ve 3,16'lık Ortalama Mutlak Yüzde Hata ile 0,85'lik R² değeriyle en yüksek performans puanlarını elde etmiştir. NARX modeli, 0,846'lık R² ve 3,18'lik MAPE ile GRU modeline neredeyse eşit performans gösterirken, 1D-CNN ise önemli ölçüde daha düşük bir R² değeri olan 0,648 ile sonuçlanmıştır.

Anahtar Kelimeler

• Zaman Serisi Tahmini
• Doğrusal Olmayan Otoregresif Model
• Enerji Tüketimi
• Derin Öğrenme Algoritmaları
• Kapılı Tekrarlayan Birim
• Tek Boyutlu CNN

FORECASTING U.S. ENERGY CONSUMPTION BETWEEN 1973–2022, USING GRU, NARX AND 1D-CNN REGRESSION MODELS

Öz

This paper analyzes 3 different deep learning models including Gated Recurrent Unit (GRU), Nonlinear Autoregressive model with Exogenous Inputs (NARX) and one-dimensional Convolutional Neural Network (1D-CNN), used to predict monthly energy consumption in the USA between 1973 and 2022 years, with realistic dataset containing 600 months of data. In this experiment the dataset is split into 70% training, 15% validation and 15% test sets. The time series were transformed into supervised learning sequences, each consisting of a 12-month lookback periods. In NARX model, a feature engineering process implemented using three exogenous inputs generated for each time step including a 3-month moving average, trend and volatility. The GRU and 1D-CNN models, in contrast, were trained directly on the raw time series sequences. The experimental results indicating recurrent architectures being exceptionally well-suited for this task, with GRU model achieving highest performance scores with R² of 0.85 with slight overfitting gap of 0.124 R² between training and test sets, and Mean Absolute Percentage Error of 3.16. The NARX model performed nearly as well as GRU model, achieving an R² of 0.846 and MAPE of 3.18, in contrast to 1D-CNN, resulting in a substantially lower R² of 0.648.

Anahtar Kelimeler

• Time-Series Forecasting
• Nonlinear Autoregressive Model
• Energy Consumption
• Deep Learning Algorithms
• Gated Recurrent Unit
• One-Dimensional CNN

Kaynakça

1. Aquila, G., et al., 2023. An Overview of Short-Term Load Forecasting for Electricity Systems Operational Planning: Machine Learning Methods and the Brazilian Experience. Energies, 16 (21).
2. Arnob, S.S., Arefin, A.I.M.S., Saber, A.Y., Mamun, K.A., 2023. Energy Demand Forecasting and Optimizing Electric Systems for Developing Countries. IEEE Access, 11, 39751–39775.
3. Bannor, E.B., Acheampong, A.O., 2019. Deploying Artificial Neural Networks for Modeling Energy Demand: International Evidence. International Journal of Energy Sector Management, 14 (2), 285–315.
4. Box, G.E.P., Jenkins, G.M., 1970. Time Series Analysis: Forecasting and Control. Holden-Day, San Francisco.
5. De Cian, E., Lanzi, E., Roson, R., 2007. The Impact of Climate Change on Energy Demand: A Dynamic Panel Analysis. Social Science Research Network, Rochester, NY, 1359045.
6. Hasanat, S.M., et al., 2024. Enhancing Short-Term Load Forecasting With a CNN-GRU Hybrid Model: A Comparative Analysis. IEEE Access, 12, 184132–184141.
7. Hernandez, L., et al., 2014. A Survey on Electric Power Demand Forecasting: Future Trends in Smart Grids, Microgrids and Smart Buildings. IEEE Communications Surveys & Tutorials, 16 (3), 1460–1495.
8. Hossain, S., et al., 2025. Forecasting Energy Consumption Trends with Machine Learning Models for Improved Accuracy and Resource Management in the USA. Journal of Business and Management Studies, 7 (1), 200–217.

9. Kiranyaz, S., Ince, T., Gabbouj, M., 2021. 1D Convolutional Neural Networks and Applications: A Survey. Pattern Recognition, 118, 107963.
10. Lifset, R.D., 2014. A New Understanding of the American Energy Crisis of the 1970s. Historical Social Research, 39 (4), 22–42.
11. Polson, M., Sokolov, V., 2020. Deep Learning for Energy Markets. Applied Stochastic Models in Business and Industry, 36 (1), 195–209.
12. Yadav, S., et al., 2024. State of the Art in Energy Consumption Using Deep Learning Models. AIP Advances, 14 (6), 065306.
13. Yahya, A., 2022. Systematic Review of Regression Algorithms for Predictive Analytics. Qubahan Academic Journal, 1 (4), 1–14.