این مطالعه به بررسی کارایی پیکره بندی مختلف شبکه های یادگیری عمیق (رویکرد برتر در مدلسازی و تخمین سریهای زمانی اقتصادی ـ اجتماعی) در حوزه ی پیشبینی میپردازد. در این مطالعه به منظور ملموس سازی رویکرد پیشنهادی از مدلسازی و پیشبینی اوج بار مصرفی خانگی در قالب موردکاوی استفاده شده است. نتایج حاکی از برتری توپولوژی شبکه ترکیبی از تمام متصل و بازگشتی بود که این برتری با توجه به ماهیت غیرخطی و پیچیده، وابستگیهای قوی به دادههای دورههای قبلی و همچنین وجود درجات متفاوتی از تاخیر در متغیرهای برونزای مسئله کاملا توجیه پذیر است. نظر به اینکه در این مدل متغیرهای برونزایمدل) نمایندهی شرایط مختلف جوی (و متغیرهای مصنوعی) نماینده ی شرایط مختلف زمانی( نیز لحاظ شده است، از استواری قابل قبولی نسبت به مدلهای ارائه شده در مطالعات قبلی برخوردار است.