Forecasting Electricity Consumption Using ARIMA-LSTM Model

Abstract

Точне прогнозування споживання електроенергії має вирішальне значення для ефективного управління енергією та планування. У цій запропонованій роботі порівнюються дві моделі прогнозування часових рядів – ARIMA (авторегресивна інтегрована ковзна середня) та гібридна модель ARIMA-LSTM – для прогнозування споживання електроенергії. Модель ARIMA фіксує лінійні закономірності, тоді як гібридна модель ARIMA-LSTM використовує мережі довгої короткочасної пам’яті (LSTM) для моделювання нелінійних залежностей. Для оцінки продуктивності використовуються три показники – середньоквадратична похибка (MSE), середньоквадратична похибка (RMSE) та середня абсолютна похибка (MAE). Результати показують, що гібридна модель ARIMA-LSTM досягає MSE 45,19, RMSE 6,72 та MAE 5,80, що перевершує модель ARIMA. Це демонструє ефективність інтеграції статистичних методів з глибоким навчанням для точного прогнозування. Здатність гібридної моделі обробляти складні дані часових рядів підкреслює її потенціал для покращення прогнозів споживання електроенергії. Моделюючи як лінійні, так і нелінійні залежності, вона підвищує точність прогнозування порівняно з традиційними підходами. Ці висновки підкреслюють важливість поєднання традиційних та передових методів прогнозування часових рядів. Подальші дослідження можуть удосконалити цю модель, включивши додаткові функції, що оптимізують її архітектуру. Такі вдосконалення можуть ще більше підвищити точність прогнозування, сприяючи кращому управлінню енергією та плануванню

Accurate forecasting of electricity consumption is crucial for efficient energy management and planning. This proposed work compares two time series forecasting models – ARIMA (Autoregressive Integrated Moving Average) and an ARIMA-LSTM hybrid model – for predicting electricity consumption. The ARIMA model captures linear patterns, while the ARIMA-LSTM hybrid leverages Long Short-Term Memory (LSTM) networks to model non-linear dependencies. To evaluate performance, three metrics – Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) – are used. Results show that the ARIMA-LSTM hybrid achieves an MSE of 45.19, RMSE of 6.72, and MAE of 5.80, outperforming the ARIMA model. This demonstrates the effectiveness of integrating statistical methods with deep learning for accurate forecasting. The hybrid model’s ability to handle complex time series data highlights its potential for improving electricity consumption predictions. By modeling both linear and non-linear dependencies, it enhances prediction accuracy compared to traditional approaches. These findings emphasize the significance of combining conventional and advanced techniques in time series forecasting. Future research could refine this model by incorporating additional features optimizing its architecture. Such improvements may further enhance forecasting accuracy, supporting better energy management and planning