Integrating econometric and deep learning models for energy price prediction: A hybrid approach using weather and market data

Basit Öğe Kaydı
dc.authorid0000-0003-3850-7416
dc.contributor.authorÖztürk, Cemal
dc.date.accessioned2025-08-15T07:35:57Z
dc.date.available2025-08-15T07:35:57Z
dc.date.issued2025
dc.departmentİstanbul Ticaret Üniversitesi
dc.description.abstractThis study proposes a hybrid approach that integrates econometric and deep learning models—specifically, Vector Autoregression (VAR), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU)—to enhance electricity price forecasting. By combining historical data with external factors like weather and market indicators, this hybrid approach aims to improve prediction accuracy in volatile energy markets. The model captures complex temporal dependencies through a hybrid VAR, LSTM, and GRU structure and is tested on historical electricity price data supplemented with weather and market variables. Performance is evaluated using mean absolute error (MAE), root mean square error (RMSE), symmetric mean absolute percentage error (SMAPE), and root mean squared logarithmic error (RMSLE). Results show that deep learning models, particularly GRU, outperform VAR regarding MAE, RMSE, and RMSLE, suggesting superior predictive accuracy for absolute and relative forecasting tasks. However, SMAPE results highlight that the VAR model performs better in capturing proportional errors, suggesting its relative robustness in volatile price environments. Including weather and market data significantly improves the model’s robustness and accuracy. This study’s hybrid approach combines the interpretability of econometric models with the predictive power of deep learning, offering insights into the impact of external factors on energy prices. The model supports better decision-making and risk management for energy market participants in dynamic market environments.
dc.description.abstractBu çalışma, elektrik fiyat tahminini geliştirmek için üç farklı modeli, ekonometrik (Vektör Otoregresyon, VAR) ve derin öğrenme tekniklerini (Uzun Kısa Süreli Bellek, LSTM ve Geçitli Tekrarlayan Birim, GRU) entegre ederek hibrit bir yaklaşım önermektedir. Geçmiş verileri hava durumu ve piyasa göstergeleri gibi dış faktörlerle birleştiren bu piyasalarında hibrit tahmin yaklaşım, değişken enerji doğruluğunu artırmayı amaçlamaktadır. Model, hibrit bir VAR, LSTM ve GRU yapısı aracılığıyla karmaşık zamansal bağımlılıkları yakalar ve hava durumu ve piyasa değişkenleri ile desteklenen geçmiş elektrik fiyatı verileri üzerinde test edilir. Performans, ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE), simetrik ortalama mutlak yüzde hata (SMAPE) ve kök ortalama karesel logaritmik hata (RMSLE) kullanılarak değerlendirilmiştir. Sonuçlar, özellikle GRU olmak üzere derin öğrenme modellerinin MAE, RMSE ve RMSLE açısından VAR'dan daha iyi performans gösterdiğini ve mutlak ve göreceli tahmin görevleri için üstün tahmin doğruluğu sağladığını ortaya koymaktadır. Bununla birlikte, SMAPE sonuçları VAR modelinin oransal hataları yakalamada daha iyi performans gösterdiğini vurgulamakta ve bu da değişken fiyat ortamlarında göreceli sağlamlığını ortaya koymaktadır. Hava durumu ve piyasa verilerinin dahil edilmesi, modelin sağlamlığını ve doğruluğunu önemli ölçüde artırmaktadır. Bu çalışmanın hibrit yaklaşımı, ekonometrik modellerin yorumlanabilirliği ile derin öğrenmenin tahmin gücünü birleştirerek dış faktörlerin enerji fiyatları üzerindeki etkisine dair içgörüler sunmaktadır. Model, dinamik piyasa ortamlarında enerji piyasası katılımcıları için daha iyi karar alma ve risk yönetimini desteklemektedir.
dc.identifier.citationÖztürk, C. (2025). Integrating Econometric and Deep Learning Models for Energy Price Prediction. A Hybrid Approach Using Weather and Market Data. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 24(47), 135-175.
dc.identifier.doi10.55071/ticaretfbd.1578209
dc.identifier.endpage175
dc.identifier.issn1305-7820
dc.identifier.issn2587-165X
dc.identifier.issue47
dc.identifier.startpage135
dc.identifier.urihttps://hdl.handle.net/11467/9593
dc.identifier.volume24
dc.indekslendigikaynakTR-Dizin
dc.language.isoen
dc.publisherİstanbul Ticaret Üniversitesi
dc.relation.ispartofİstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Başka Kurum Yazarı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectEnergy Price Forecasting
dc.subjectGated Recurrent Unit (GRU)
dc.subjectLong Short-Term Memory (LSTM)
dc.subjectDeep Learning Models
dc.subjectTime Series Analysis
dc.subjectEnerji Fiyat Tahmini
dc.subjectGeçitli Tekrarlayan Birim (GRU)
dc.subjectUzun Kısa Süreli Bellek (LSTM)
dc.subjectDerin Öğrenme Modelleri
dc.subjectZaman Serisi Analizi
dc.titleIntegrating econometric and deep learning models for energy price prediction: A hybrid approach using weather and market data
dc.title.alternativeEnerji fiyatı tahmini için ekonometrik ve derin öğrenme modellerinin entegrasyonu: Hava durumu ve piyasa verilerini kullanan karma bir yaklaşım
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Integrating econometric and deep learning models for energy price prediction A hybrid approach using weather and market data.pdf
Boyut:
3.24 MB
Biçim:
Adobe Portable Document Format
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

İTÜFBD, Cilt 24, Sayı 47, Makale Koleksiyonu
TR Dizin İndeksli Yayınlar