Unapređenje preciznosti predviđanja cena goriva primenom modela dugoročnokratkoročne memorije neuronskih mreža sa više glava optimizovanih metaheuristikom rojeva čestica

Povećana potražnja za energijom uz značajno smanjenje dostupnih zaliha fosilnih goriva na globalnom nivou, kao i brojni socio-ekonomski faktori, uslovili su intezivan razvoj brojnih istraživanja usmerenih na predikciju potrošnje energije i kretanje njenih cena. Predikcije ovih parametara postaju sve značajnije, kako za naučnu zajednicu, tako i za privredu, ekonomiju i društvo. U cilju dobijanja što preciznijih rezultata, ovakva istraživanja zahtevaju rad sa velikom količinom podataka. Prikupljanje, kao i obrada istih može biti dosta složen i dugotrajan proces, koji je vrlo često podložan greškama. S toga se intezivnim razvojem savremenih tehnologija, posebno Veštačke inteligencije, značajno automatizuje ovaj zadatak i smanjuje faktor ljudske greške. Zahvaljujući velikoj popularnosti ovih modela, predikcija cena goriva uspešno pronalazi svoju primenu u brojnim poslovnim domenima. Imajući ovo u vidu, ova disertacija se primarno bavi rešavanjem problema predikcije vremenskih serija, odnosno cena goriva, kroz primenu i optimizaciju postojećih modela Veštačke inteligencije, poput neuronskih mreža. Iako relativno nova oblast, ona pokazuje značajan potencijal za unapređenje energetske analitike, sa brojnim praktičnim i ekonomskim primenama. Analizom postojeće literature uočava se prostor za dodatno unapređenje u ovoj oblasti, pa ova disertacija predlaže i istražuje potencijal drugih modela koji mogu još više poboljšati predikciju vremenskih serija, poput dugoročno-kratkoročnih memorijskih modela sa više glava (eng. multi-headed LSTM). Imajući u vidu da ove arhitekture imaju relativno visoke računarske zahteve, istraživanje ove disertacije se dodatno fokusira i na optimizovane pristupe modelovanja istih. Ovo se ogleda u tome što se arhitekture projektuju tako da imaju manji broj neurona po sloju, kao i u skraćivanju vremena potrebnom za obuku modela, odnosno manjem broju epoha. Međutim, treba imati u vidu da ne postoji dovoljno dobro univerzalno rešenje koje je primenljivo na svim tipovima podataka i koje je superiorno u odnosu na ostale. Ovu činjenicu potvrđuje i čuvena teorema „nema besplatnog ručka“ (eng. No Free Lunch Theorem, NFLT), koja naglašava potrebu da se ove arhitekture prilagode specifičnim skupovima podataka. U cilju rešavanja ovog problema, u ovom radu se predlaže i korišćenje metaheurstičkih tehnika optimizacije. Konkretno govoreći, predstavljena je modifikovana varijanta algoritma optimizacije rojem čestica (eng. Particle Swarm Optimizer, PSO), koja je korišćena u cilju što tačnijeg podešavanja arhitekture mreže, kao i samih parametara koji su korišćeni tokom obučavanja predloženog modela. Na kraju, ovako modifikovan model je primenjen nad realnim energetskim podacima koji su prikupljeni iz više javno dostupnih izvora. Tako dobijeni rezultati su tehnikama IV objašnjive inteligencije (eng. Explanable Artificial Intelligence) poređeni sa savremenim optimizatorima u okviru komparativne analize. Detaljnom statističkom validacijom je potvrđena tačnost i značajnost dobijenih rezultata.