السلاسل الزمنية في التنبؤ بالطلب والحمل على مراكز التوزيع وتوصيات المنتجات والبحث عن الحالات الشاذة

تتناول المقالة مجالات تطبيق السلاسل الزمنية، والمشكلات التي يتعين حلها، والخوارزميات المستخدمة. يتم استخدام تنبؤ السلاسل الزمنية في مهام مثل التنبؤ بالطلب، وتحميل مركز الاتصال، وحركة المرور على الطرق والإنترنت، وحل مشكلة البداية الباردة في أنظمة التوصية، والبحث عن الحالات الشاذة في سلوك المعدات والمستخدمين.

دعونا نلقي نظرة على المهام بمزيد من التفصيل.

1) التنبؤ بالطلب.

الهدف: تقليل تكاليف المستودعات وتحسين جداول عمل الموظفين.

كيفية حلها: من خلال التنبؤ بمشتريات البضائع وعدد العملاء، فإننا نقوم بتقليل كمية البضائع في المستودع وتخزينها تمامًا كما سيتم شراؤها في نطاق زمني معين. من خلال معرفة عدد العملاء في أي وقت، سنقوم بوضع جدول عمل مثالي بحيث يكون هناك عدد كافٍ من الموظفين بأقل التكاليف.

2) التنبؤ بالحمل على خدمة التوصيل

الهدف: منع انهيار الخدمات اللوجستية أثناء ذروة الأحمال.

كيفية حلها: التنبؤ بعدد الطلبات، وإحضار العدد الأمثل من السيارات والسعاة إلى الخط.

3) التنبؤ بالحمل على مركز الاتصال

الهدف: ضمان التوافر المطلوب لمركز الاتصال مع تقليل تكاليف صندوق الأجور.

كيفية الحل: التنبؤ بعدد المكالمات بمرور الوقت، وإنشاء جدول زمني مثالي للمشغلين.

4) التنبؤ بحركة المرور

الهدف: التنبؤ بعدد الخوادم وعرض النطاق الترددي من أجل التشغيل المستقر. حتى لا تتعطل خدمتك في يوم العرض الأول لمسلسل تلفزيوني شهير أو مباراة كرة قدم 😉

5) توقع الوقت الأمثل للتحصيل من أجهزة الصراف الآلي

الهدف: تقليل كمية النقد المخزنة في شبكة الصراف الآلي

6) حلول مشكلة البداية الباردة في أنظمة التوصية

الهدف: التوصية بالمنتجات ذات الصلة للمستخدمين الجدد.

عندما يقوم المستخدم بإجراء عدة عمليات شراء، يمكن إنشاء خوارزمية تصفية تعاونية للتوصيات، ولكن عندما لا تكون هناك معلومات حول المستخدم، فمن الأمثل التوصية بالمنتجات الأكثر شيوعًا.

الحل: تعتمد شعبية المنتجات على الوقت الذي يتم فيه تقديم التوصية. يساعد استخدام التنبؤ بالسلاسل الزمنية في تحديد المنتجات ذات الصلة في أي وقت محدد.

لقد نظرنا إلى الاختراقات الحياتية لبناء أنظمة التوصية فيها المادة السابقة.

7) البحث عن الحالات الشاذة

الهدف: تحديد المشاكل في تشغيل المعدات والمواقف غير القياسية في الأعمال التجارية
الحل: إذا كانت القيمة المقاسة خارج فترة الثقة المتوقعة، فقد تم اكتشاف حالة شاذة. إذا كانت هذه محطة للطاقة النووية، فقد حان الوقت لزيادة مربع المسافة 😉

خوارزميات لحل المشكلة

1) المتوسط ​​المتحرك

أبسط خوارزمية هي المتوسط ​​المتحرك. دعونا نحسب القيمة المتوسطة للعناصر القليلة الأخيرة ونقوم بالتنبؤ. بالنسبة للتنبؤات الجوية لمدة أطول من 10 أيام، يتم استخدام نهج مماثل.

عندما يكون من المهم أن تساهم القيم الأخيرة في السلسلة بوزن أكبر، فإننا نقدم معاملات تعتمد على مسافة التاريخ، للحصول على نموذج مرجح:

لذلك، يمكنك ضبط معامل W بحيث يقع الحد الأقصى للوزن في اليومين الأخيرين وأيام الدخول.

مع الأخذ في الاعتبار العوامل الدورية

قد تتأثر جودة التوصيات بعوامل دورية، مثل تزامنها مع يوم من أيام الأسبوع، والتاريخ، والإجازات السابقة، وما إلى ذلك.

أرز. 1. مثال على تحليل السلاسل الزمنية إلى الاتجاه والمكون الموسمي والضوضاء

التجانس الأسي هو الحل لمراعاة العوامل الدورية.

دعونا نلقي نظرة على 3 طرق أساسية

1. التنعيم البسيط (النموذج البني)

يمثل حساب المتوسط ​​المرجح للعنصرين الأخيرين من السلسلة.

2. التجانس المزدوج (نموذج هولت)

يأخذ في الاعتبار التغيرات في الاتجاه والتقلبات في القيم المتبقية حول هذا الاتجاه.

نحسب التنبؤ بالتغيرات في المخلفات ® والاتجاه (د). القيمة النهائية لـ y هي مجموع هاتين الكميتين.

3. التجانس الثلاثي (نموذج هولت وينترز)

بالإضافة إلى ذلك، يأخذ التجانس الثلاثي في ​​الاعتبار التغيرات الموسمية.

صيغ للتنعيم الثلاثي.

خوارزمية أريما وساريما

خصوصية السلاسل الزمنية لاستخدام ARIMA هي العلاقة بين القيم السابقة المرتبطة بالقيم الحالية والمستقبلية.

ساريما – امتداد لسلسلة ذات مكون موسمي. SARIMAX هو امتداد يتضمن مكون الانحدار الخارجي.

تتيح لك نماذج ARIMA محاكاة السلاسل الزمنية المتكاملة أو الثابتة.

نهج ARIMA للسلاسل الزمنية هو أن يتم تقييم ثبات السلسلة أولاً.

بعد ذلك، يتم تحويل السلسلة عن طريق أخذ اختلاف الترتيب المناسب، ويتم إنشاء نموذج ARMA للنموذج المحول.

ARMA هو نموذج الانحدار الخطي المتعدد.

ومن المهم أن تكون السلسلة ثابتة، أي. ولم يتغير المتوسط ​​والتباين. إذا كانت السلسلة غير ثابتة، فيجب إحضارها إلى شكل ثابت.

XGBoost – أين سنكون بدونه؟

إذا لم يكن لدى السلسلة بنية داخلية معبر عنها، ولكن هناك عوامل تأثير خارجية (المدير، الطقس، وما إلى ذلك)، فيمكنك استخدام نماذج التعلم الآلي بأمان مثل التعزيز والغابات العشوائية والانحدار والشبكات العصبية وSVM.

من تجربة الفريق البيانات 4، التنبؤ بالسلاسل الزمنية، إحدى المهام الرئيسية لحل تحسين تكاليف المستودعات وتكاليف الموظفين وتحسين صيانة شبكات أجهزة الصراف الآلي والخدمات اللوجستية وبناء أنظمة التوصية. تعطي النماذج المعقدة مثل SARIMA نتائج عالية الجودة، ولكنها تستغرق وقتًا طويلاً ومناسبة فقط لمجموعة معينة من المهام.

في المقالة التالية سنلقي نظرة على الطرق الرئيسية للبحث عن الحالات الشاذة.

للتأكد من أن المقالات ذات صلة باهتماماتك، قم بإجراء الاستبيان أدناه، أو اكتب في التعليقات الموضوعات التي ستكتب عنها في المقالات التالية.

يمكن للمستخدمين المسجلين فقط المشاركة في الاستطلاع. تسجيل الدخول، من فضلك.

مقالات حول أي موضوع تهتم به؟

• أنظمة التوصية

• التعرف على الصور

• معالجة الكلام والنصوص

• بنيات جديدة في DNN

• السلاسل الزمنية والبحث عن الشذوذ

• تعلم الآلة في الأعمال التجارية، حالات الاستخدام

صوت 17 مستخدمًا. امتنع 3 مستخدما عن التصويت.

المصدر: www.habr.com