--- title: 'پیش‌بینی مصرف گاز' description: پیش‌بینی مصرف روزانه گاز برای یک گره اندازه‌گیری در ۷، ۳۰ و ۹۰ روز آینده، همراه با بازه اطمینان ۹۵٪ و بررسی دقت ۱۴ روزه. section: AI Analytics weight: 5 related: - ai-analytics/node-reports/consumption-analytics --- import Alert from '@/components/docs/Alert.astro'; این گزارش روی **یک گره اندازه‌گیری** کار می‌کند: پیش‌بینی می‌کند که گره در ۷، ۳۰ و ۹۰ روز آینده چه مقدار گاز مصرف خواهد کرد. برای برنامه‌ریزی خرید و موازنه استفاده می‌شود — اینکه مشترک در آینده نزدیک به چه مقدار گاز نیاز خواهد داشت. پیش‌بینی بر پایه تاریخچه مصرف بازه‌های گذشته ساخته می‌شود و آب‌و‌هوا را در نظر می‌گیرد: در سرما گاز بیشتری صرف گرمایش می‌شود. به‌همراه پیش‌بینی، گزارش یک بازه اطمینان (یک محدوده «از–تا» که مصرف با احتمال بالا در آن قرار می‌گیرد) و بررسی دقت در روزهای اخیر را ارائه می‌دهد. ## چه چیزی نشان می‌دهد | بخش | معنای آن | | ----------------------------- | ------------------------------------------------------------------ | | نمودار پیش‌بینی | مصرف روزانه مورد انتظار برای آینده، روی تاریخچه واقعی | | بازه اطمینان | راهرویی پیرامون پیش‌بینی که مصرف با احتمال ۹۵ ٪ در آن قرار می‌گیرد | | مجموع‌ها برای ۷ / ۳۰ / ۹۰ روز | کل گاز مورد انتظار در این افق‌ها | | بررسی دقت | میزان خطای مدل در ۱۴ روز اخیر (به ادامه نگاه کنید) | پیش‌بینی به مؤلفه‌های روشن تجزیه می‌شود: سطح پایه، روند کلی (افزایش یا کاهش مصرف در طول زمان)، فصلی‌بودن (سال و روز هفته) و سهم آب‌و‌هوا. ## چگونه کار می‌کند منابع داده: - **مصرف گاز** — از آرشیو ساعتی دستگاه، که به مجموع‌های روزانه جمع می‌شود. - **آب‌و‌هوا** — دمای روزانه از سرویس بازِ open-meteo. تاریخچه دما بر اساس مختصات گره گرفته می‌شود؛ برای تاریخ‌های پیش‌بینی — پیش‌بینی واقعی هوا از همان سرویس. مدل، یک وابستگی خطی مصرف به چهار عامل است: 1. **روند** — رشد یا افت کند مصرف در طول زمان. 2. **فصلی‌بودن سالانه** — زمستان/تابستان. 3. **فصلی‌بودن هفتگی** — روزهای کاری و تعطیل متفاوت مصرف می‌کنند. 4. **دما** — از طریق **درجه-روز گرمایش**: اینکه روز چقدر سردتر از 18 °C است. هرچه سردتر باشد، گاز بیشتری صرف گرمایش می‌شود. اگر آب‌و‌هوا در دسترس نباشد، مدل بدون عامل دما کار می‌کند. مقادیر ساعتی به‌طور ناهنجار بزرگ (آرتیفکت‌های تله‌متری) بر اساس بیشینه پاسپورتی دستگاه برش داده می‌شوند تا پیش‌بینی را مخدوش نکنند. دقت این‌گونه بررسی می‌شود: مدل ۱۴ روز اخیر را «نمی‌بیند»، آنها را پیش‌بینی می‌کند و با مقادیر واقعی مقایسه می‌کند. از این‌جا خطای میانگین پیش‌بینی و سهم روزهایی که مقدار واقعی در بازه اطمینان قرار گرفته است به‌دست می‌آید. ## پارامترهای اجرا | پارامتر | پیش‌فرض | معنای آن | | ----------------- | ---------- | -------------------------------------------------------- | | شماره گره | اجباری | شماره گره اندازه‌گیری | | تاریخچه از | ۲ سال پیش | آغاز تاریخچه (برای فصلی‌بودن سالانه ≥ ۱ سال لازم است) | | تاریخچه تا | دیروز | پایان تاریخچه | | افق | 30 | پیش‌بینی برای چند روز آینده | | روزهای بک‌تست | 14 | در چند روز اخیر دقت بررسی شود | | حداقل ساعت در روز | 18 | شبانه‌روز باید چند ساعت داده داشته باشد تا روز محسوب شود | | مختصات | مختصات گره | نقطه‌ای برای درخواست آب‌و‌هوا | | پایه گرمایش | 18 °C | دمایی که پایین‌تر از آن گرمایش آغاز می‌شود | | بدون آب‌و‌هوا | خاموش | محاسبه بدون در نظر گرفتن آب‌و‌هوا | ## چگونه نتیجه را بخوانیم - ابتدا به **بررسی دقت** نگاه کنید. خطای نسبی میانگین تا ۱۰ ٪ — پیش‌بینی عالی؛ ۱۰ تا ۲۰ ٪ — قابل قبول؛ بیش از ۲۰ ٪ — با احتیاط اعتماد کنید. سهم قرارگرفتن در بازه اطمینان به‌طور عادی حدود ۹۰ تا ۹۵ ٪ است. - **افق ۷ روزه** قابل‌اعتمادترین است؛ ۹۰ روز تقریبی است و دست‌کم یک سال تاریخچه لازم دارد. بیش از ۹۰ روز پیش‌بینی توصیه نمی‌شود. - **بازه اطمینان مهم‌تر از یک عدد منفرد است:** اگر به حاشیه اطمینان نیاز دارید، بر اساس مرز بالایی آن برنامه‌ریزی کنید. با کمتر از نیم سال تاریخچه، مدل ساده‌تر می‌شود (بدون فصلی‌بودن سالانه). مدل خود به‌خود حوادث و افت‌های داده را تشخیص نمی‌دهد — بهتر است چنین روزهایی را دستی کنار بگذارید، وگرنه پیش‌بینی کم‌برآورد می‌شود.