Planowane badania dotyczą wykorzystania systemów wieloagentowych w prognozowaniu zapotrzebowania na energie elektryczną na podstawie szeregów czasowych. Celem badań jest opracowanie, implementacja i analiza nowych modeli prognostycznych opartych na metodach uczenia maszynowego, inteligencji obliczeniowej i kolektywnej do predykcji szeregów czasowych. Wyróżniającą cechą modeli jest wykorzystanie podobieństwa sekwencji szeregu czasowego, które reprezentowane są w postaci tzw. obrazów. Podejście oparte na obrazach pozwala uprościć problem predykcji szeregów niestacjonarnych, z nieliniowym trendem i wieloma cyklami wahań sezonowych. Opracowane modele będą gruntownie zbadane, przetestowane na różnych szeregach czasowych i porównane z innymi, znanymi metodami predykcyjnymi.

Budowa modeli prognostycznych poprzedzona będzie gruntowną analizą danych i zależności wiążących zmienne wejściowe z wyjściowymi. W szczególności planuje się: rozpoznanie charakteru szeregu i wyodrębnienie jego cech, analizę stacjonarności, analizę autokorelacji, analizę podobieństwa obrazów sekwencji szeregów itp. Zdefiniowane zostaną funkcje przekształcających fragmenty szeregów czasowych w obrazy oraz miary podobieństwa obrazów, opracowana zostanie metodyka predykcji opartej na podobieństwie obrazów. Opracowane zostaną metody identyfikacji obserwacji odstających i metody imputacji brakujących fragmentów szeregów czasowych. Opracowane i zaimplementowane modele prognostyczne zbudowane będą na bazie:

- metod regresji nieparametrycznej,

- metod regresji liniowej,

- sieciach neuronowych,

- metod grupowania danych.

Do uczenia i optymalizacji modeli wykorzystane będą algorytmy klasyczne (np. gradientowe) oraz stochastyczne (ewolucyjne i turniejowe), odporne na minima lokalne.

Planuje się integrację wyników modeli prognostycznych i budowę wieloagantowych systemów modeli, dzięki czemu uzyska się polepszenie poziomu generalizacji i stabilności modelu końcowego. Komitety umożliwią prognozowanie probabilistyczne generujące prognozy przedziałowe, w których z zadanym prawdopodobieństwem zawiera się prognozowana wartość. Modele prognostyczne będą zanalizowane i ocenione. Błędy prognoz będą poddane analizie statystycznej.