在過去的幾十年里，對于供應商和電網(wǎng)管理者來說，尋找更準確的方法來預測能源消耗一直是一項毫無結(jié)果的活動，因為大多數(shù)電網(wǎng)仍然依賴于主要參考消費歷史和天氣預報的預測模型。

公路和鐵路交通數(shù)據(jù)與活動密切相關(guān)，通過這個網(wǎng)格管理人員可以更好地了解城市或城鎮(zhèn)的哪些地區(qū)需要電力，哪些地區(qū)需要較少的電力。在測試中，將人工智能模型與傳統(tǒng)的能源消耗預測模型相結(jié)合，可以在能源消耗發(fā)生前兩到六個小時做出準確的預測。

實時模型還能夠在危機時期提供準確性，例如在自然災害之后或發(fā)生另一場大流行病時。如果行為發(fā)生變化，交通和鐵路數(shù)據(jù)將能夠迅速識別，并將能量轉(zhuǎn)移到城市的不同區(qū)域。

隨著電動汽車數(shù)量的增長，交通和電力需求之間的聯(lián)系將變得更加緊密。這意味著交通數(shù)據(jù)在預測用電量方面可能變得更加重要。

由于風能和太陽能大量涌入國家電網(wǎng)，能源供應的波動變得更加明顯，因此對消耗量進行最準確的預測，對于電網(wǎng)運營商避免電力不足或停電至關(guān)重要。再加上對能源日益增長的需求，過去的預測模型可能無法保持高水平的準確性。

在確定人工智能模型是否可以補充傳統(tǒng)模型的后續(xù)測試中，研究人員發(fā)現(xiàn)，它只會略微提高準確性。目前，人工智能似乎可以嵌入到其他模型中，以提供更高的準確性。