Mamba ECIS per la previsione del comportamento dei clienti nel marketing dell’energia usando apprendimento profondo multimodale

Perché contano previsioni energetiche più intelligenti

Mantenere le luci accese al prezzo giusto richiede che le aziende energetiche indovinino costantemente quanta elettricità le persone useranno nell’ora, nel giorno o nella settimana successivi. Quegli “indovinelli” diventano più difficili man mano che il clima diventa più estremo, i prezzi fluttuano e le abitazioni si riempiono di contatori intelligenti e dispositivi connessi. Questo articolo presenta un nuovo sistema di previsione chiamato Mamba‑ECIS che usa intelligenza artificiale avanzata per leggere molte tipologie di dati contemporaneamente, separare le oscillazioni a breve termine dalle abitudini a lungo termine e spiegare quali fattori esterni guidano realmente il consumo elettrico dei clienti.

Da semplici stime a ritratti digitali più ricchi

Gli strumenti di previsione tradizionali sono stati costruiti per un mondo più semplice. Di solito si basavano su un unico tipo di informazione, come i consumi passati, e assumevano che i modelli restassero abbastanza stabili nel tempo. Con l’esplosione dei volumi di dati e la crescente complessità del comportamento dei clienti, questi metodi hanno cominciato a mostrare limiti. Anche gli approcci moderni di deep learning, pur essendo potenti, spesso funzionano come “scatole nere” opache e faticano a combinare in modo pulito meteo, prezzi, effetti di calendario e altri segnali. Gli autori sostengono che il sistema elettrico del futuro ha bisogno di modelli in grado di assorbire molte fonti di dati, seguire sia le variazioni rapide sia i trend lenti nella domanda e offrire comunque intuizioni comprensibili per gli esseri umani.

Fondere molti segnali in un unico racconto

Mamba‑ECIS affronta questa sfida fondendo innanzitutto diversi flussi informativi in un’unica rappresentazione temporale dell’uso energetico. Combina dati di consumo ad alta risoluzione con influenze esterne come temperatura, umidità e prezzi dell’elettricità, oltre a indicatori di tipo testuale per festività o eventi speciali. Prima dell’apprendimento, il sistema normalizza e trasforma questi input in modo che condividano una scala comune. Una rete neurale impara quindi a mettere in evidenza i pezzi più informativi di ciascuna fonte, e una fase di pesatura permette al modello di enfatizzare, ad esempio, il meteo nelle giornate estive calde o il prezzo nelle serate di picco tariffario. Questo produce una descrizione più ricca e flessibile del come e del perché si consuma energia.

Osservare i picchi di oggi e i trend di domani

Per evitare di confondere piccole fluttuazioni veloci con cambiamenti più profondi, il modello usa un design a doppio ramo. Un ramo guarda i dati ad alta frequenza—le variazioni minuto per minuto o ora per ora che contano per le operazioni in tempo reale. L’altro ramo si concentra su schemi più lenti e smussati come medie giornaliere e cicli stagionali. Ciascun ramo ha i propri blocchi di modellazione delle sequenze, basati su un’architettura efficiente nota come modelli di spazio di stato Mamba, che possono gestire storie molto lunghe senza il pesante costo computazionale delle reti classiche basate sull’attenzione. Uno strato di fusione miscela poi le due viste, regolando automaticamente quanto peso assegnare ai segnali a breve rispetto a quelli a lungo termine in base alle condizioni correnti, come un’ondata di calore o un normale giorno feriale.

Collegare causa ed effetto, non solo correlazione

Oltre a produrre previsioni accurate, gli autori vogliono che il sistema indichi quali fattori guidano effettivamente le variazioni della domanda. Per questo aggiungono un modulo di attenzione causale. Esso utilizza un meccanismo in stile attention per misurare quanto fortemente ciascun fattore esterno è collegato al consumo in ogni momento, quindi passa queste relazioni attraverso una rete di inferenza causale che stima il contributo diretto di ciascun fattore. Una fase di pesatura separata consente al modello di adattare questi contributi nel tempo. Questo design non pretende di essere una teoria causale formale completa, ma va oltre il semplice riconoscimento di pattern: i pianificatori di rete possono vedere, per esempio, quando i picchi di temperatura o i calendari festivi sono i principali responsabili di un aumento dei consumi e progettare di conseguenza programmi di marketing o di risposta alla domanda.

Mettere il sistema alla prova

I ricercatori hanno valutato Mamba‑ECIS su due dataset reali ampiamente usati: registri dettagliati dei consumi domestici dal Portogallo e dati residenziali e commerciali ad alta risoluzione dagli Stati Uniti. Entrambi includono milioni di letture e ricche informazioni contestuali. Su diverse misure di errore standard, il nuovo modello ha battuto una serie di forti concorrenti, inclusi Transformers moderni, altri modelli basati su Mamba e reti specializzate per serie temporali. Miglioramenti tipici del 3–12 percento in accuratezza possono sembrare modesti, ma si traducono in risparmi sostanziali e miglioramenti della affidabilità per le utility che operano su scala nazionale. Test aggiuntivi, in cui moduli specifici sono stati rimossi, hanno mostrato che la fusione multimodale, la struttura a doppio ramo e la porta di attenzione causale hanno ciascuna dato contributi distinti e complementari alle prestazioni.

Cosa significa per gli utenti quotidiani dell’energia

Per i non esperti, il messaggio chiave è che previsioni più intelligenti e trasparenti possono aiutare a mantenere i sistemi elettrici sia più economici sia più affidabili. Intrecciando molte fonti di dati, separando il rumore a breve termine dalle abitudini durature e facendo luce su quali forze esterne guidano veramente la domanda, Mamba‑ECIS offre alle aziende energetiche una guida più affidabile per il prossimo futuro. Ciò, a sua volta, può supportare tariffe più eque, programmi di conservazione meglio mirati e meno sorprese durante ondate di caldo o freddo—migliorando silenziosamente il modo in cui l’energia è prodotta, commercializzata e consumata dietro le quinte.

Citazione: Pang, W., Wang, X. & Li, K. Mamba ECIS for power marketing customer behavior forecasting using multimodal deep learning. Sci Rep 16, 13063 (2026). https://doi.org/10.1038/s41598-026-43438-3

Parole chiave: previsione della domanda di elettricità, analisi della smart grid, apprendimento profondo multimodale, comportamento dei clienti dell’energia, apprendimento automatico causale