В этой статье рассматривается применение машинного обучения к квантовой регрессии скорости производства биогаза в анаэробных реакторах. Анаэробная ферментация-это хорошо зарекомендовавший себя инструмент на очистных сооружениях для обработки сырого осадка. Его также можно использовать для возобновляемых источников энергии, собирая биогаз в анаэробных котлах. Операторы установки обычно устанавливают рабочие параметры, такие как температура, в соответствии с экспертными знаниями. Чтобы полностью использовать потенциал оперативного управления, в этом исследовании мы откалибровали новый темпоральный термоядерный трансформатор на основе данных временных рядов шкалы жизни за шесть лет вместе с категориальными признаками, такими как государственные праздники. Дизайн модели обеспечивает взаимозаменяемость выходных данных по сравнению с традиционными методами данных, которые используют больше внимания. Помимо прогнозирования средних темпов производства биогаза в течение следующих семи дней, наша модель также дает квантили, что делает ее менее подверженной сильным колебаниям. В качестве руководства мы использовали три известных статистических метода. Средняя абсолютная процентная погрешность нашего прогнозируемого подхода составляет менее 8%.