Przedsiębiorstwo użyteczności publicznej będzie prognozować zużycie energii dla klientów indywidualnych i komercyjnych, wykorzystując 10 lat danych historycznych dotyczących zużycia oraz cechy takie jak pogoda, obłożenie i święta. Korzystając z zarządzanej usługi prognozowania, który algorytm jest najbardziej odpowiedni dla tego scenariusza?

CNN-QR (Convolutional Neural Network with Quantile Regression) jest najbardziej odpowiedni, ponieważ jest to zaawansowany algorytm uczenia głębokiego, który świetnie radzi sobie z prognozowaniem szeregów czasowych, szczególnie gdy dane zawierają złożone wzorce, wiele zmiennych (pogoda, obłożenie, święta) i wymagane są prognozy kwantylowe (np. do zarządzania ryzykiem). Może efektywnie wykorzystać 10 lat danych historycznych. ARIMA i ETS to tradycyjne metody, które są mniej elastyczne w obsłudze wielu zmiennych i złożonych nieliniowości. Prophet jest dobry do danych z silnymi sezonowościami i trendami, ale CNN-QR oferuje większą moc predykcyjną dla bardzo złożonych zestawów danych z wieloma cechami.