The relationship between income and expenditure is significant for understanding the shape of the residents' economic dynamics. Consumer spending and household disposable income by the relationship between Machine Learning (ML) programming nonparametric locally weighted scatterplot smoothing regression analyzes. This study aims to determine the relationship between variables directly rather than the traditional parameters of regression. According to the survey, the usual assumptions, income and number of residents increase the impact of a sharp increase in spending at first, then slowed down. This growth can be relatively high mandatory spending little residents to explain. It increases according to income levels in middle-income and high-income groups. With the changes in population size, expenditure changes are limited in middle-income levels, restricted in most high-income levels. The latest growth in the smart meter housing sector is a large data set. Near real-time access to each household's power consumption by both supply and demand can extract valuable information for effective energy management. Predicted consumption will help improve power generation companies and demand-side management programs, but it is not. Consumption of individual households is very irregular, is a trivial task. In the business field of energy load forecasting, machine learning involves a lot of work. Machine learning methods are the so-called black-box model. The internal dynamic is almost unknown. However, without manual intervention, learning the ability to complex internal representation is a significant advantage.

收入与支出之间的关系对于理解居民经济动态的形状具有重要意义。通过机器学习（ML）编程非参数局部加权散点图平滑回归分析之间的关系来计算消费者支出和家庭可支配收入。本研究旨在直接确定变量之间的关系，而不是确定回归的传统参数。根据调查，通常的假设，收入和居民人数增加了支出急剧增加的影响，但此后速度有所放缓。这种增长可以由相对较高的强制性支出很少的居民来解释。它根据中等收入和高收入群体的收入水平而增加。随着人口规模的变化，支出变化在中等收入水平受到限制，在大多数高收入水平受到限制。智能电表住房领域的最新增长是大型数据集。通过供需双方近乎实时地访问每个家庭的电力消耗可以提取有价值的信息，以进行有效的能源管理。预计的消耗量将有助于改善发电公司和需求方的管理计划，但事实并非如此。个人家庭的消费非常不规律，是一项琐碎的任务。在能源负荷预测的业务领域中，机器学习涉及大量工作。机器学习方法是所谓的黑盒模型。内部动态几乎是未知的。但是，无需人工干预，学习掌握复杂的内部表示的能力将是一项重大优势。限制在大多数高收入人群中。智能电表住房领域的最新增长是大型数据集。通过供需双方近乎实时地获取每个家庭的电力消耗，可以提取有价值的信息，以进行有效的能源管理。预计的消耗量将有助于改善发电公司和需求方的管理计划，但事实并非如此。个人家庭的消费非常不规律，是一项琐碎的任务。在能源负荷预测的业务领域中，机器学习涉及大量工作。机器学习方法是所谓的黑盒模型。内部动态几乎是未知的。但是，无需人工干预，学习掌握复杂的内部表示的能力将是一项重大优势。限制在大多数高收入人群中。智能电表住房领域的最新增长是大型数据集。通过供需双方近乎实时地获取每个家庭的电力消耗，可以提取有价值的信息，以进行有效的能源管理。预计的消耗量将有助于改善发电公司和需求方的管理计划，但事实并非如此。个人家庭的消费非常不规律，是一项琐碎的任务。在能源负荷预测的业务领域中，机器学习涉及大量工作。机器学习方法是所谓的黑盒模型。内部动态几乎是未知的。但是，无需人工干预，学习掌握复杂的内部表示的能力将是一项重大优势。通过供需双方近乎实时地获取每个家庭的电力消耗，可以提取有价值的信息，以进行有效的能源管理。预计的消耗量将有助于改善发电公司和需求方的管理计划，但事实并非如此。个人家庭的消费非常不规律，是一项琐碎的任务。在能源负荷预测的业务领域中，机器学习涉及大量工作。机器学习方法是所谓的黑盒模型。内部动态几乎是未知的。但是，无需人工干预，学习掌握复杂的内部表示的能力将是一项重大优势。通过供需双方近乎实时地获取每个家庭的电力消耗，可以提取有价值的信息，以进行有效的能源管理。预计的消耗量将有助于改善发电公司和需求方的管理计划，但事实并非如此。个人家庭的消费非常不规律，是一项琐碎的任务。在能源负荷预测的业务领域中，机器学习涉及大量工作。机器学习方法是所谓的黑盒模型。内部动态几乎是未知的。但是，无需人工干预，学习掌握复杂的内部表示的能力将是一项重大优势。预计的消耗量将有助于改善发电公司和需求方的管理计划，但事实并非如此。个人家庭的消费非常不规律，是一项琐碎的任务。在能源负荷预测的业务领域中，机器学习涉及大量工作。机器学习方法是所谓的黑盒模型。内部动态几乎是未知的。但是，无需人工干预，学习掌握复杂的内部表示的能力将是一项重大优势。预计的消耗量将有助于改善发电公司和需求方的管理计划，但事实并非如此。个人家庭的消费非常不规律，是一项琐碎的任务。在能源负荷预测的业务领域中，机器学习涉及大量工作。机器学习方法是所谓的黑盒模型。内部动态几乎是未知的。但是，无需人工干预，学习掌握复杂的内部表示的能力将是一项重大优势。