Time series Analysis

Abstract

This thesis is focused on the analysis of time series in the environment of energy markets and forecasting future energy consumption. In this area, there is no uniform methodology on how to approach this task. The lack of publicly available datasets complicates research. Preprocessing and postprocessing techniques are also not adequately covered in these areas. These are the main goals that this thesis focused on solving and bringing progress in those areas. Therefore, this work can be beneficial for anyone interested in this field of research. The theoretical section describes aspects of time series forecasting in its general form. This description is extended by the specialization of these techniques to the areas of natural gas and electricity consumption forecasting. We have prepared our own datasets and made part of them available to other researchers to use in their experiments. The designed methodology focused on the application of forecasting models on prepared datasets. A series of experiments validated the usability of this methodology and prepared datasets. Experiments were focused not only on machine learning algorithms but were also compared with classical statistical models. An important area was feature engineering. We have managed to further improve the precision of forecasts with preprocessing and postprocessing techniques. The benefit of those methods was measured and evaluated.

Tato práce je zaměřena na analýzu časových řad v prostředí energetických trhů a předpovídání budoucí spotřeby energií. V této oblasti neexistuje jednotná metodika, jak k tomuto úkolu přistupovat. Nedostatek dostupných datasetů taktéž komplikuje výzkum. Oblast preprocessingu a postprocessingu rovněž není dostatečně popsána. Tato práce se zaměřuje na tyto hlavní cíle a aplikaci v těchto oblastech. Proto může být přínosná pro široký okruh zájemců o tuto oblast výzkumu. V teoretické části popisuje aspekty předpovídání časových řad v obecné podobě. Na tento obecný popis navazuje popis specializace těchto technik do oblasti předpovídání spotřeby zemního plynu a elektřiny. Připravili jsme vlastní datasety, z nichž jsme část zpřístupnili také pro další výzkumníky pro využití při jejich experimentech. Dále byla navržena metodika, jak přistupovat k aplikaci předpovědních modelů na připravené datasety. Série experimentů potvrdila využitelnost této metodiky i připravených datasetů. Experimenty byly zaměřeny nejen na strojové učení, ale i na porovnání s klasickými statistickými modely. Důležitou oblastí byl také feature engineering. Pomocí preprocessingu a postprocessingu se nám podařilo dále vylepšit přesnost predikcí. Přínos těchto metod byl změřen a vyhodnocen.