ПРОГНОЗИРОВАНИЕ ПОТРЕБЛЕНИЯ ЭНЕРГИИ В УЗБЕКИСТАНЕ
DOI:
https://doi.org/10.60078/2992-877X-2025-vol3-iss4-pp154-165Аннотация
Необходимо разработать надежные методы прогнозирования и предварительной оценки потребности экономики страны в энергии. Это позволяет экономистам более точно отслеживать и анализировать потребности потребителей в энергии. С этой целью было проведено данное исследование на основе собранных данных об объеме энергопотребления Республики Узбекистан за период с 1985 по 2023 годы и определен прогноз долгосрочного энергопотребления. В процессе прогнозирования использовалась эконометрическая модель ARIMA. Для определения лучшей процедуры ARIMA использовалась методология Бокса-Дженкинса. По результатам модель ARIMA (0,1,3) оказалась наиболее оптимальной моделью с наименьшей ошибкой. На основе этой модели средняя процентная ошибка общих результатов прогноза составила 7,2 процента. ARIMA оказалась наиболее эффективной моделью для принятия долгосрочных тактических решений относительно энергопотребления.
Ключевые слова:
ARIMA AIC BIC стационарностьБиблиографические ссылки
Akaike, H. (1973). Information theory and an extension of the maximum likelihood principle, in Proceedings of the 2nd International Symposium on Information Theory, Akademiai Kiad´o, Budapest, pp. 267–281.
Akaike, H., (1974). “A New Look at Statistical Model Identification”, IEEE Transactions on Automatic Control, AC-19, pp. 716-723.
Bishnu Nepal (2019) Electricity load forecasting using clustering and ARIMA model for energy management in buildings https://doi.org/10.1002/2475-8876.12135.
Lai, S. L. et al. (2014). Energy Consumption Forecasting in Hong Kong Using ARIMA and Artificial Neural Networks Models In Applied Mechanics and Materials (Vols. 672–674, pp. 2085–2097). Trans Tech Publications, Ltd. https://doi.org/10.4028/www.scientific.net/amm.672-674.2085.
Ljung, G. and G. Box, (1978). “On a Measure of Lack of Fit in Time Series Models”, Biometrika, Vol. 66, pp. 67-72.
Lu W., et al. (2020) “A CNN-LSTM-based model to forecast stock prices,” Complexity, vol. Article ID 6622927, 10 pages.
Mumbare S S, Gosavi S and Almale B (2014) Trends in Average Living Children at the Time of Terminal Contraception: A Time Series Analysis Over 27 Years Using ARIMA (p, d, q) Nonseasonal Model[J]. Indian journal of community medicine: official publication of Indian Association of Preventive & Social Medicine 39(4) 223-228.
Odiljon Rikhsimbaev, Akram Ishnazarov, Sarvar Mamasoliyev, (2023) Comparison of ARIMA and Deep Learning Models for Forecasting the Consumer Price Index in Uzbekistan: Using R Packages 2023/12/21 Proceedings of the 7th International Conference on Future Networks and Distributed Systems 562-569.
Rauf, S.A.A., Adekoya, A.F. (2023). Forecasting household energy consumption based on lifestyle data using hybrid machine learning. Journal of Electrical Systems and Inf Technol 10, 43. https://doi.org/10.1186/s43067-023-00104-2.
Rehan Jamil, (2020) Hydroelectricity consumption forecast for Pakistan using ARIMA modeling and supply-demand analysis for the year 2030, Renewable Energy, Volume 154, 2020, Pages 1-10.
Sosa, G., et al. (2021). Forecasting electrical power consumption using ARIMA method based on kWh of sold energy. Science in Information Technology Letters, 2(1), 9-15. doi:https://doi.org/10.31763/sitech.v2i1.637.
Suo, R. et al. (2024). An innovative MGM–BPNN–ARIMA model for China’s energy consumption structure forecasting from the perspective of compositional data. Sci Rep 14, 8494 https://doi.org/10.1038/s41598-024-58966-z.
Wei Z., Kun Z., and Nanxing G. (2020) “Time series analysis and forecast of Yunnan province GDP based on ARIMA model,” Journal of Chuxiong Normal University, vol. 3, pp. 26–32.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
