EnergiCast

Modele

EnergiCast udostępnia wspólny interfejs modeli poprzez rejestr MODEL_REGISTRY. Każdy model implementuje metody fit, predict oraz (opcjonalnie) save/load.

XGBForecaster (energicast.models.xgb)

• Charakterystyka: bezpośredni model autoregresyjny oparty na xgboost.XGBRegressor.
• Cechy wejściowe: pipeline tworzy opóźnienia (lag_1, lag_2, …), a także scala cechy energetyczne i kowariaty pogodowe.
• Kwantyle: model dopasowuje medianę i estymuje przesunięcia kwantylowe na podstawie reszt treningowych (quantile_offsets_).
• Persistencja: save(path) zapisuje model oraz stan (state.json), a load(path) umożliwia odtworzenie estymatora.

ARIMAForecaster (energicast.models.arima)

• Silnik: StatsForecast z modelem ETS (statsforecast.models.ETS).
• Zastosowanie: szybki baseline bez dodatkowych cech; predict zwraca tę samą serię dla każdego żądanego kwantyla.
• Wymagania: dane wejściowe muszą być konwertowane do formatu unique_id/ds oczekiwanego przez StatsForecast.

TFTForecaster (energicast.models.tft)

• Moduł zawiera obecnie opis planowanej integracji z Temporal Fusion Transformer.
• Docelowo będzie oparty na PyTorch Lightning z obsługą cech statycznych i dynamicznych.
• W przewodniku pozostawiamy go jako roadmapę – w rejestrze można go traktować jako placeholder do przyszłej implementacji.

Rejestr modeli

Rejestr (energicast.models.registry.MODEL_REGISTRY) umożliwia rejestrowanie modeli przez dekorator @register_model("alias"). Pipeline korzysta z rejestru przy instancjonowaniu modeli na podstawie pola TrainingConfig.model.

This site is open source. Improve this page.