وقتی تحقیق در عملیات به کمک یادگیری ماشین میآید؛ پیشبینی هوشمند مصرف گاز با رویکرد Robust و Resilient
🤖 وقتی تحقیق در عملیات به کمک یادگیری ماشین میآید؛ پیشبینی هوشمند مصرف گاز با رویکرد Robust و Resilient
ترکیب مدلسازی ریاضی، رگرسیون و یادگیری ماشین برای تصمیمگیری در شرایط عدم قطعیت
آیا یادگیری ماشین بهتنهایی برای پیشبینی کافی است؟
در سالهای اخیر، استفاده از Machine Learning برای پیشبینی مصرف انرژی بهشدت گسترش یافته است. الگوریتمهای یادگیری ماشین میتوانند روابط پیچیده میان متغیرهای مختلف را شناسایی کنند و از دادههای تاریخی برای پیشبینی آینده استفاده نمایند.
اما در مسائل واقعی، یک مشکل مهم وجود دارد:
دادههای آینده همیشه شبیه دادههای گذشته نیستند.
بحران انرژی، تغییرات شدید آبوهوا، تغییر الگوی مصرف، اختلالات اقتصادی و حتی حوادث غیرمنتظره میتوانند باعث شوند یک مدل یادگیری ماشین که در شرایط عادی عملکرد بسیار خوبی دارد، در شرایط بحرانی دچار افت شدید شود.
اینجاست که یک سؤال مهم مطرح میشود:
«آیا میتوان Machine Learning را با مدلسازی ریاضی و مفاهیم Robustness، Resilience و Risk ترکیب کرد؟»
پژوهش رضا لطفی و همکاران دقیقاً به دنبال پاسخ دادن به همین پرسش است.
🧠 ایده اصلی پژوهش چیست؟
در این پژوهش، یک چارچوب جدید با عنوان:
Robust, Resilient Machine Learning with Risk Approach
پیشنهاد شده است.
ایده اصلی این است که مدل پیشبینی فقط به دنبال کمترین خطای پیشبینی نباشد؛ بلکه همزمان به این موضوع نیز توجه کند که:
– مدل در برابر تغییرات چقدر مقاوم است؟
– در شرایط بحرانی چقدر قابلیت حفظ عملکرد دارد؟
– ریسک خطای شدید چقدر است؟
– آیا مدل در سناریوهای مختلف همچنان قابل اعتماد باقی میماند؟
این دیدگاه، Machine Learning را از یک ابزار صرفاً آماری به یک سیستم تصمیمگیری مقاوم در برابر عدم قطعیت تبدیل میکند.
⛽ چرا مصرف گاز یک مسئله پیچیده است؟
پیشبینی مصرف گاز به عوامل متعددی وابسته است؛ از جمله:
– دمای هوا
– شرایط فصلی
– روزهای هفته
– الگوی مصرف خانوار
– مصرف صنعتی
– شرایط اقتصادی
– تغییرات ناگهانی تقاضا
بنابراین رابطه میان ورودیها و مصرف گاز الزاماً ساده و خطی نیست.
ممکن است یک مدل در شرایط عادی بسیار دقیق باشد، اما در یک زمستان بسیار سرد یا یک دوره بحران انرژی عملکرد متفاوتی داشته باشد.
به همین دلیل، این مسئله یک نمونه بسیار مناسب برای ترکیب یادگیری ماشین + تحقیق در عملیات + مدیریت ریسک است.
🔬 نوآوری مهم: استفاده از مدلسازی ریاضی در قلب Machine Learning
یکی از نکات جذاب این پژوهش این است که Machine Learning صرفاً به شکل یک الگوریتم آماده استفاده نشده است.
در اینجا، مدل ریاضی برای طراحی و بهینهسازی خود مدل یادگیری ماشین وارد میشود.
به عبارت دیگر:
«Machine Learning دادهها را یاد میگیرد؛
اما مدلسازی ریاضی مشخص میکند مدل چگونه و تحت چه معیارهایی یاد بگیرد.»
این تفاوت بسیار مهم است.
در پژوهش رضا لطفی و همکاران، یک Robust Stochastic LASSO Regression برای پیشبینی مصرف گاز توسعه داده شده است. مدل تلاش میکند یک فرم جدید از رگرسیون LASSO را بهینه کند که همزمان میانگین، بدترین حالت و EVaR مربوط به MAD را در تابع هدف در نظر میگیرد و در کنار آن جریمه LASSO نیز اعمال میشود.
📐 چرا LASSO؟
رگرسیون LASSO یکی از روشهای مهم در یادگیری آماری است که علاوه بر پیشبینی، میتواند به انتخاب متغیرهای مؤثر نیز کمک کند.
در مدلهای پیچیده، ممکن است تعداد زیادی متغیر در اختیار داشته باشیم؛ اما همه آنها به یک اندازه مهم نیستند.
LASSO با اعمال یک جریمه روی ضرایب مدل، میتواند برخی ضرایب را به سمت صفر ببرد و در نتیجه مدلی سادهتر و قابلکنترلتر ایجاد کند.
اما پژوهش حاضر یک گام جلوتر میرود:
LASSO + Robustness + Resilience + Risk
این ترکیب باعث میشود مدل فقط به دنبال یک رابطه آماری مناسب نباشد؛ بلکه قابلیت اطمینان مدل در شرایط دشوار نیز وارد فرآیند طراحی شود.
🛡️ Robustness؛ مدلی که با تغییر شرایط نمیشکند
Robustness یعنی مدل بتواند در برابر تغییرات و عدم قطعیتهای ورودی، عملکرد قابل قبولی داشته باشد.
برای مثال، اگر شرایط آبوهوایی متفاوت از دادههای تاریخی باشد، مدل نباید بهسرعت اعتبار خود را از دست بدهد.
در واقع:
مدل کلاسیک → بهترین پیشبینی در شرایط مورد انتظار
اما:
مدل Robust → پیشبینی قابل اتکا در مجموعهای از شرایط نامطمئن
این تفاوت در حوزه انرژی اهمیت بسیار زیادی دارد.
🔄 Resilience؛ بازگشت مدل پس از شوک
Resilience یا تابآوری یک مفهوم متفاوت اما مکمل Robustness است.
مدل مقاوم تلاش میکند در برابر اختلال عملکرد خود را حفظ کند؛ اما مدل تابآور باید بتواند پس از یک شوک نیز به عملکرد مناسب بازگردد.
برای مثال:
اگر مصرف گاز در اثر یک موج سرمای شدید بهصورت ناگهانی تغییر کند، یک مدل Resilient باید بتواند خود را با وضعیت جدید تطبیق دهد.
از این منظر، Machine Learning از یک مدل ایستا به یک سیستم یادگیری و سازگار تبدیل میشود.
⚠️ ورود ریسک به Machine Learning
یکی از مهمترین نوآوریهای این رویکرد، توجه به Risk در کنار Accuracy است.
یک مدل ممکن است میانگین خطای بسیار خوبی داشته باشد، اما در چند سناریوی بسیار مهم شکست شدیدی ایجاد کند.
برای سیستمهای انرژی، این مسئله بسیار خطرناک است.
برای مثال:
ممکن است مدل در ۹۵ درصد روزها عملکرد مناسبی داشته باشد، اما در ۵ درصد روزهای بسیار بحرانی، خطای بسیار بزرگی ایجاد کند.
آیا چنین مدلی واقعاً قابل اعتماد است؟
رویکرد پیشنهادی تلاش میکند این نوع ریسک را نیز در ساختار مدل وارد کند.
در مقاله، شاخصی با عنوان RRMADR (Robust and Resiliency Mean Absolute Deviation with Risk approach) برای ارزیابی این رویکرد استفاده شده و نتایج با معیارهایی از جمله R^2 بررسی شدهاند.
🔥 ترکیب بسیار جذاب: تابع رگرسیون + بهینهسازی
یکی از نکات قابل توجه این پژوهش این است که رگرسیون دیگر صرفاً یک معادله آماری نیست؛ بلکه به یک مسئله بهینهسازی تبدیل میشود.
بهصورت مفهومی:
دادهها
انتخاب متغیرها
ساخت تابع رگرسیون
اعمال جریمه LASSO
درنظرگرفتن عدم قطعیت
اعمال Robustness و Resilience
کنترل Risk
مدل پیشبینی نهایی
این همان نقطهای است که مرز میان Machine Learning و Operations Research کمرنگ میشود.
🧩 چرا این رویکرد برای مهندسی صنایع مهم است؟
مهندسی صنایع همیشه با یک مسئله اساسی مواجه بوده است:
«چگونه از داده برای تصمیم بهتر استفاده کنیم؟»
Machine Learning پاسخ میدهد:
««از داده الگو استخراج کن.»»
تحقیق در عملیات میپرسد:
««با توجه به این اطلاعات، بهترین تصمیم چیست؟»»
و ترکیب این دو میتواند پاسخ قدرتمندتری ایجاد کند:
«داده را یاد بگیر + تصمیم را بهینه کن + ریسک را کنترل کن.»
این رویکرد میتواند آینده بسیاری از مدلهای مهندسی صنایع را شکل دهد.
🌐 فقط برای گاز نیست!
اگرچه مطالعه موردی این پژوهش مربوط به مصرف گاز است، اما ایده اصلی قابلیت بررسی در مسائل بسیار متنوعی را دارد:
انرژی
پیشبینی مصرف برق، گاز و انرژیهای تجدیدپذیر
زنجیره تأمین
پیشبینی تقاضا و طراحی شبکههای مقاوم
تولید
پیشبینی تولید، خرابی تجهیزات و کیفیت
مدیریت پروژه
پیشبینی هزینه، زمان و ریسک
سلامت
پیشبینی تقاضای دارو، بیمار و تجهیزات پزشکی
حملونقل
پیشبینی تقاضا و تراکم ترافیک
🚀 گام بعدی: از Machine Learning به Robust Intelligent Optimization
آینده یادگیری ماشین در مهندسی صنایع احتمالاً فقط ساخت مدلهایی با Accuracy بیشتر نخواهد بود.
مدلهای آینده باید:
✅ دقیق باشند
✅ Robust باشند
✅ Resilient باشند
✅ Risk-aware باشند
✅ قابل توضیح باشند
✅ و مستقیماً به تصمیمگیری متصل شوند
این همان مسیری است که از Machine Learning به سمت Intelligent Optimization حرکت میکند.
👨🔬 رضا لطفی در این پژوهش با ترکیب دانش مهندسی صنایع، تحقیق در عملیات، رگرسیون و یادگیری ماشین تلاش کرده است یک چارچوب متفاوت برای پیشبینی ایجاد کند؛ چارچوبی که در آن، مسئله پیشبینی صرفاً به یافتن بهترین رابطه بین متغیرها محدود نمیشود، بلکه مقاومت، تابآوری و ریسک نیز همزمان وارد مدل میشوند.
این پژوهش در مجله Annals of Operations Research منتشر شده و رضا لطفی یکی از نویسندگان آن است. صفحه رسمی Springer همچنین وابستگی رضا لطفی به دانشگاه یزد و شرکت بهینه گستر صنایع آرمان در تهران را ثبت کرده است.
نتایج مقاله نشان میدهد که مدل پیشنهادی RRMADR در حالت تابع لگاریتم طبیعی هیبریدی، نسبت به مدل پایه Polynomial LASSO، معیار RRMADR را ۲۶٫۸۱ درصد کاهش داده است؛ مقاله همچنین اثر پارامترهایی مانند ضریب محافظهکاری، سطح اطمینان، جریمه LASSO، ضریب تابآوری و احتمال سناریو را تحلیل میکند.
مقاله اصلی:
https://link.springer.com/article/10.1007/s10479-024-05986-7
🏆 جمعبندی
ترکیب تحقیق در عملیات و Machine Learning میتواند نسل جدیدی از مدلهای پیشبینی را ایجاد کند.
در این رویکرد، هدف فقط این نیست که:
«پیشبینی دقیقتری داشته باشیم.»
بلکه هدف این است که:
«پیشبینیای داشته باشیم که در شرایط دشوار نیز قابل اعتماد باشد.»
مدلهای Robust، Resilient و Risk-aware Machine Learning میتوانند نقطه اتصال میان علم داده، بهینهسازی ریاضی و مهندسی صنایع باشند.
پژوهش رضا لطفی و همکاران در حوزه پیشبینی مصرف گاز نمونهای از همین مسیر است؛ مسیری که در آن، رگرسیون، LASSO، برنامهریزی ریاضی، عدم قطعیت و یادگیری ماشین در یک چارچوب واحد قرار میگیرند.
بهینه گستر صنایع آرمان (BGSA) با تمرکز بر مهندسی صنایع، تحقیق در عملیات، مدلسازی ریاضی، تحلیل داده و توسعه راهکارهای هوشمند، به دنبال پیوند دادن مدلهای ریاضی و هوش مصنوعی برای حل مسائل واقعی سازمانها و صنایع است.
