کتاب صوتی دزدی دقت: پیش‌بینی قیمت روزانه برق با استفاده از پیش‌بینی سلسله مراتبی زمانی (THieF)

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب دزدی دقت: پیش‌بینی قیمت روزانه برق با استفاده از پیش‌بینی سلسله مراتبی زمانی (THieF)

موضوع کلی: پیش‌بینی قیمت انرژی و بازار برق

موضوع میانی: روش‌های پیشرفته پیش‌بینی قیمت برق کوتاه‌مدت

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر پیش بینی قیمت برق
• 2. اهمیت پیش بینی قیمت برق
• 3. چالش های پیش بینی قیمت برق
• 4. بازارهای انرژی و مکانیسم های قیمت گذاری
• 5. ساختار بازار برق روزانه
• 6. معرفی پیش بینی قیمت برق کوتاه‌مدت
• 7. مبانی پیش بینی سری زمانی
• 8. مفهوم سلسله مراتب زمانی
• 9. مزایای پیش بینی سلسله مراتبی
• 10. معرفی مقاله Stealing Accuracy
• 11. هدف مقاله THieF
• 12. ساختار مقاله THieF
• 13. مدل های کلاسیک پیش بینی سری زمانی
• 14. مدل های ARIMA
• 15. مدل های GARCH
• 16. مدل های رگرسیون خطی
• 17. معرفی یادگیری ماشین برای پیش بینی
• 18. مفاهیم پایه یادگیری ماشین
• 19. انواع مدل های یادگیری ماشین
• 20. رگرسیون در یادگیری ماشین
• 21. مبانی شبکه های عصبی
• 22. شبکه های عصبی پرسپترون چند لایه (MLP)
• 23. مفاهیم یادگیری عمیق
• 24. شبکه های عصبی بازگشتی (RNN)
• 25. شبکه های حافظه کوتاه مدت طولانی (LSTM)
• 26. شبکه های حافظه کوتاه مدت (GRU)
• 27. شبکه های کانولوشنال (CNN)
• 28. معرفی مدل THieF
• 29. معماری کلی THieF
• 30. مفهوم پیش بینی چند مقیاسی
• 31. مفهوم پیش بینی لایه ای
• 32. پیاده سازی لایه پایه در THieF
• 33. پیش بینی در مقیاس پایین
• 34. پیش بینی در مقیاس بالا
• 35. تعامل بین لایه های THieF
• 36. فرآیند تجمع پیش بینی ها
• 37. استفاده از ویژگی های زمانی در THieF
• 38. ویژگی های مربوط به زمان روز
• 39. ویژگی های مربوط به روز هفته
• 40. ویژگی های مربوط به ماه و فصل
• 41. ویژگی های مربوط به تعطیلات
• 42. استفاده از داده های خارجی در THieF
• 43. هزینه تولید برق
• 44. عرضه و تقاضای برق
• 45. شرایط آب و هوایی
• 46. فعالیت بازار
• 47. معرفی مفاهیم صحت و دقت در پیش بینی
• 48. شاخص های ارزیابی مدل های پیش بینی
• 49. میانگین خطای مطلق (MAE)
• 50. میانگین خطای مربعات (MSE)
• 51. ریشه میانگین مربعات خطا (RMSE)
• 52. میانگین خطای درصدی مطلق (MAPE)
• 53. شاخص های مرتبط با مبادله انرژی
• 54. طراحی معماری THieF
• 55. انتخاب لایه های پایه
• 56. انتخاب مدل های پیش بینی برای هر لایه
• 57. طراحی مکانیزم تجمع پیش بینی ها
• 58. تنظیم پارامترهای مدل THieF
• 59. مراحل آموزش مدل THieF
• 60. مراحل ارزیابی مدل THieF
• 61. پیاده سازی مدل THieF با Python
• 62. کتابخانه های مورد نیاز (Pandas, NumPy, Scikit-learn)
• 63. کتابخانه های یادگیری عمیق (TensorFlow, Keras, PyTorch)
• 64. آماده سازی داده ها برای THieF
• 65. پاکسازی و پیش پردازش داده ها
• 66. مهندسی ویژگی ها
• 67. تقسیم داده ها به مجموعه های آموزش، اعتبارسنجی و تست
• 68. نحوه اجرای لایه پایه در THieF
• 69. پیاده سازی مدل های پایه
• 70. آموزش مدل های پایه
• 71. استفاده از خروجی لایه پایه به عنوان ورودی لایه بالاتر
• 72. نحوه اجرای لایه های بالاتر در THieF
• 73. پیاده سازی مدل های بالاتر
• 74. آموزش مدل های بالاتر
• 75. جمع آوری پیش بینی ها در لایه نهایی
• 76. روش های مختلف جمع آوری پیش بینی ها
• 77. میانگین وزنی
• 78. ترکیب خطی
• 79. مدل های رگرسیون برای ترکیب
• 80. تکنیک های ارتقاء دقت پیش بینی
• 81. تکنیک های تنظیم زمان (Time Shifting)
• 82. تکنیک های تصحیح خطا (Error Correction)
• 83. تکنیک های یادگیری فعال (Active Learning)
• 84. تکنیک های یادگیری تقویتی (Reinforcement Learning)
• 85. مدیریت عدم قطعیت در پیش بینی
• 86. ارزیابی و نمایش عدم قطعیت
• 87. محدودیت های مدل THieF
• 88. قابلیت تعمیم پذیری مدل THieF
• 89. مقایسه THieF با مدل های پیش بینی دیگر
• 90. نتایج تجربی در مقاله Stealing Accuracy
• 91. تحلیل نتایج بر اساس شاخص های ارزیابی
• 92. تاثیر پیچیدگی مدل بر دقت
• 93. کاربرد THieF در عمل
• 94. پیش بینی قیمت برق برای معاملات روزانه
• 95. مدیریت ریسک در بازارهای انرژی
• 96. بهینه سازی تولید و مصرف انرژی
• 97. مطالعات موردی و مثال های واقعی
• 98. پیاده سازی THieF برای یک بازار برق خاص
• 99. تفسیر نتایج در بستر واقعی
• 100. چالش های عملی پیاده سازی THieF