電力需要AI予測ダッシュボード

GitHub Actions自動更新 | Open-Meteo API連携

学習年: 2022, 2023, 2024

Keras予測

RMSE
- RMSE (Root Mean Square Error)
予測値と実際の値の誤差の大きさを示す指標です。
RMSE = √(Σ(予測値 - 実際値)² / n)
値が小さいほど予測精度が高いことを示します。

- R² (決定係数)
モデルが実際のデータをどの程度説明できるかを示します。
R² = 1 - (残差平方和 / 全平方和)
1に近いほど予測精度が高く、0に近いほど低いです。
MAE
- MAE (Mean Absolute Error)
予測値と実際の値の平均絶対誤差です。
MAE = Σ|予測値 - 実際値| / n
外れ値の影響を受けにくい指標です。
Keras予測グラフ クリックで拡大 画像を拡大表示します。モーダル内でダウンロードできます。

LightGBM予測

RMSE
- RMSE (Root Mean Square Error)
予測値と実際の値の誤差の大きさを示す指標です。
RMSE = √(Σ(予測値 - 実際値)² / n)
値が小さいほど予測精度が高いことを示します。

- R² (決定係数)
モデルが実際のデータをどの程度説明できるかを示します。
R² = 1 - (残差平方和 / 全平方和)
1に近いほど予測精度が高く、0に近いほど低いです。
MAE
- MAE (Mean Absolute Error)
予測値と実際の値の平均絶対誤差です。
MAE = Σ|予測値 - 実際値| / n
外れ値の影響を受けにくい指標です。
LightGBM予測グラフ クリックで拡大 画像を拡大表示します。モーダル内でダウンロードできます。

PyCaret予測

RMSE
- RMSE (Root Mean Square Error)
予測値と実際の値の誤差の大きさを示す指標です。
RMSE = √(Σ(予測値 - 実際値)² / n)
値が小さいほど予測精度が高いことを示します。

- R² (決定係数)
モデルが実際のデータをどの程度説明できるかを示します。
R² = 1 - (残差平方和 / 全平方和)
1に近いほど予測精度が高く、0に近いほど低いです。
MAE
- MAE (Mean Absolute Error)
予測値と実際の値の平均絶対誤差です。
MAE = Σ|予測値 - 実際値| / n
外れ値の影響を受けにくい指標です。
PyCaret予測グラフ クリックで拡大 画像を拡大表示します。モーダル内でダウンロードできます。

RandomForest予測

RMSE
- RMSE (Root Mean Square Error)
予測値と実際の値の誤差の大きさを示す指標です。
RMSE = √(Σ(予測値 - 実際値)² / n)
値が小さいほど予測精度が高いことを示します。

- R² (決定係数)
モデルが実際のデータをどの程度説明できるかを示します。
R² = 1 - (残差平方和 / 全平方和)
1に近いほど予測精度が高く、0に近いほど低いです。
MAE
- MAE (Mean Absolute Error)
予測値と実際の値の平均絶対誤差です。
MAE = Σ|予測値 - 実際値| / n
外れ値の影響を受けにくい指標です。
RandomForest予測グラフ クリックで拡大 画像を拡大表示します。モーダル内でダウンロードできます。
最終更新: - | 次回更新予定: 毎日 07:00 (日本時間)
📊 View on GitHub: Power-Demand-Forecast

Power-Demand-Forecast v1.0.0 | リリース日: 2025-11-26

📖 README | 📋 完全仕様書 | 🚀 デプロイガイド