Un'azienda di servizi pubblici prevede di stimare il consumo di energia per i clienti residenziali e commerciali utilizzando 10 anni di dati storici di consumo, oltre a caratteristiche come meteo, occupazione e festività. Utilizzando un servizio di previsione gestito, quale algoritmo è più appropriato per questo scenario?

CNN-QR è l'algoritmo più appropriato perché è un modello di deep learning robusto, ideale per set di dati di serie temporali complessi e multivariati come quelli descritti. Può gestire efficacemente le relazioni non lineari tra il consumo energetico e le caratteristiche aggiuntive (meteo, occupazione, festività) su un lungo orizzonte temporale (10 anni), fornendo anche previsioni probabilistiche (quantili) che sono cruciali per la pianificazione del consumo energetico. ARIMA ed ETS sono modelli statistici più semplici, meno adatti a gestire la complessità e la dimensionalità di questo set di dati. Prophet è un buon modello per le serie temporali con stagionalità e tendenze, ma potrebbe non catturare le interazioni complesse e non lineari con le caratteristiche esterne altrettanto efficacemente quanto un CNN-QR.