Скрипт на Python для прогнозирования временных рядов с Random Forest

Техническое задание (ТЗ) на разработку программы для прогнозирования временных рядов потребления электроэнергии

Цель проекта:

Разработать программу для прогнозирования потребления электроэнергии на основе временных рядов с использованием метода Random Forest. Программа должна принимать исторические данные потребления електрической энэргии, обучать модель, сохранять модель и масштабировщик, а также использовать натренированную модель для прогнозирования будущего потребления и сохранять результаты в файле.

Входные данные:

Файл CSV с историческими данными, который содержит следующие колонки:

year: Год наблюдения.
month: Месяц наблюдения.
day: День наблюдения.
hour: Час наблюдения.
weekday: День недели.
temp: Температура воздуха (°C).
function: Потребление электрической энергии (МВт/ч).
Целевая переменная:
Целевой переменной является потребление электрической энергии (колонка function).

Основные этапы программы:

1. Загрузка данных:
   • Импорт данных из CSV-файлов.
   • Разделение данных на признаки и целевую переменную (потребление электроэнергии).
2. Масштабирование данных:
   • Использование масштабировщика (например, StandardScaler) для приведения данных в единый масштаб (нормализация или стандартизация).
3. Создание временных окон:
   • Формирование наборов признаков и целевых значений для каждого временного окна (например, 24 часа).
   • Признаки: year, month, day, hour, weekday, temp.
   • Целевая переменная: function (потребление электроэнергии).
4. Обучение модели:
   • Использование модели RandomForestRegressor для обучения на данных временных рядов.
   • Разделение данных на обучающую и тестовую выборки для оценки модели.
   • Оценка модели по метрике RMSE или другим подходящим метрикам.
5. Сохранение модели и масштабировщика:
   • Сохранение обученной модели и масштабировщика в файлы для дальнейшего использования.
6. Использование временных окон для прогнозирования:
   • Использование модели для прогнозирования будущих значений на основе новых данных.
7. Сохранение результатов прогнозирования:
   • Прогнозируемые значения должны быть сохранены в CSV-файл для дальнейшего анализа
8. Технические требования:
   • Язык программирования: Python 3.x.
   • Используемые библиотеки:
     • pandas
     • scikit-learn
     • numpy
   Критерии успешности выполнения:
   1. Программа корректно обучает модель на исторических данных и сохраняет её в файл.
   2. Программа использует обученную модель для прогнозирования на новых данных и сохраняет результаты.
   3. Программа ведет логирование всех ключевых процессов (обучение, прогнозирование, ошибки).
   4. Структура программы и код хорошо документированы, есть инструкции по запуску и использованию программы.
   5. Программа должна выдавать прогноз с общим отклонением не более 5%. Это означает, что средняя ошибка между фактическими данными (в тестовой выборке) и прогнозом не должна превышать 5% от реальных значений.

   ---