চাহিদার পূর্বাভাস, বিতরণ কেন্দ্রে লোড, পণ্যের সুপারিশ এবং অসঙ্গতিগুলি অনুসন্ধানের সময় সিরিজ

নিবন্ধটি টাইম সিরিজের প্রয়োগের ক্ষেত্র, সমাধান করা সমস্যা এবং ব্যবহৃত অ্যালগরিদম নিয়ে আলোচনা করে। টাইম সিরিজ পূর্বাভাস ব্যবহার করা হয় পূর্বাভাস চাহিদা, যোগাযোগ কেন্দ্রের লোড, রাস্তা এবং ইন্টারনেট ট্র্যাফিক, সুপারিশকারী সিস্টেমে কোল্ড স্টার্ট সমস্যা সমাধান করা এবং সরঞ্জাম এবং ব্যবহারকারীদের আচরণে অসঙ্গতিগুলি অনুসন্ধান করা।

আসুন আরও বিস্তারিতভাবে কাজগুলি দেখুন।

1) চাহিদা পূর্বাভাস.

লক্ষ্য: গুদাম খরচ কমানো এবং কর্মীদের কাজের সময়সূচী অপ্টিমাইজ করা।

এটি কীভাবে সমাধান করবেন: পণ্য কেনার পূর্বাভাস এবং গ্রাহকের সংখ্যা, আমরা গুদামে পণ্যের পরিমাণ কমিয়ে রাখি এবং নির্দিষ্ট সময়সীমার মধ্যে যতটা কেনা হবে ঠিক ততটুকু সংরক্ষণ করি। যে কোনো সময়ে ক্লায়েন্টের সংখ্যা জেনে, আমরা একটি সর্বোত্তম কাজের সময়সূচী আঁকব যাতে ন্যূনতম খরচ সহ পর্যাপ্ত সংখ্যক কর্মী থাকে।

2) বিতরণ পরিষেবার উপর লোড পূর্বাভাস

লক্ষ্য: পিক লোডের সময় লজিস্টিক পতন রোধ করা।

এটি কীভাবে সমাধান করবেন: অর্ডারের সংখ্যা ভবিষ্যদ্বাণী করে, সর্বোত্তম সংখ্যক গাড়ি এবং কুরিয়ার লাইনে আনুন।

3) যোগাযোগ কেন্দ্রে লোডের পূর্বাভাস

লক্ষ্য: পে-রোল খরচ কমানোর সময় যোগাযোগ কেন্দ্রের প্রয়োজনীয় প্রাপ্যতা নিশ্চিত করা।

কীভাবে সমাধান করবেন: সময়ের সাথে সাথে কলের সংখ্যার পূর্বাভাস দেওয়া, অপারেটরদের জন্য একটি সর্বোত্তম সময়সূচী তৈরি করা।

4) ট্রাফিক পূর্বাভাস

লক্ষ্য: স্থিতিশীল অপারেশনের জন্য সার্ভার এবং ব্যান্ডউইথের সংখ্যা ভবিষ্যদ্বাণী করুন। যাতে একটি জনপ্রিয় টিভি সিরিজ বা ফুটবল ম্যাচের প্রিমিয়ারের দিনে আপনার পরিষেবা ক্র্যাশ না হয় 😉

5) এটিএম সংগ্রহের জন্য সর্বোত্তম সময়ের পূর্বাভাস

লক্ষ্য: এটিএম নেটওয়ার্কে সঞ্চিত নগদ পরিমাণ কমিয়ে আনা

6) সুপারিশ সিস্টেমে কোল্ড স্টার্ট সমস্যার সমাধান

লক্ষ্য: নতুন ব্যবহারকারীদের প্রাসঙ্গিক পণ্যের সুপারিশ করুন।

ব্যবহারকারী যখন বেশ কিছু কেনাকাটা করে থাকেন, তখন সুপারিশের জন্য একটি সহযোগী ফিল্টারিং অ্যালগরিদম তৈরি করা যেতে পারে, কিন্তু যখন ব্যবহারকারীর বিষয়ে কোনো তথ্য না থাকে, তখন সবচেয়ে জনপ্রিয় পণ্যের সুপারিশ করা সর্বোত্তম।

সমাধান: পণ্যের জনপ্রিয়তা নির্ভর করে কখন সুপারিশ করা হয় তার উপর। সময় সিরিজের পূর্বাভাস ব্যবহার করে যে কোনো নির্দিষ্ট সময়ে প্রাসঙ্গিক পণ্য শনাক্ত করতে সাহায্য করে।

আমরা সুপারিশকারী সিস্টেম তৈরির জন্য লাইফ হ্যাক দেখেছি পূর্ববর্তী নিবন্ধ.

7) অসঙ্গতির জন্য অনুসন্ধান করুন

লক্ষ্য: সরঞ্জাম পরিচালনায় সমস্যা এবং ব্যবসায় অ-মানক পরিস্থিতি চিহ্নিত করা
সমাধান: যদি পরিমাপ করা মান পূর্বাভাসের আস্থার ব্যবধানের বাইরে থাকে, তবে একটি অসঙ্গতি সনাক্ত করা হয়েছে। যদি এটি একটি পারমাণবিক বিদ্যুৎ কেন্দ্র হয়, তবে এটি দূরত্বের বর্গ 😉 বাড়ানোর সময়

সমস্যা সমাধানের জন্য অ্যালগরিদম

1) চলমান গড়

সরলতম অ্যালগরিদম হল মুভিং এভারেজ। চলুন শেষ কয়েকটি উপাদানের গড় মান গণনা করি এবং একটি ভবিষ্যদ্বাণী করি। 10 দিনের বেশি আবহাওয়ার পূর্বাভাসের জন্য, একই পদ্ধতি ব্যবহার করা হয়।

যখন এটি গুরুত্বপূর্ণ যে একটি সিরিজের শেষ মানগুলি আরও ওজনে অবদান রাখে, আমরা একটি ওজনযুক্ত মডেল পেয়ে তারিখের দূরত্বের উপর নির্ভর করে সহগগুলি প্রবর্তন করি:

সুতরাং, আপনি W সহগ সেট করতে পারেন যাতে সর্বোচ্চ ওজন শেষ 2 দিন এবং প্রবেশের দিনে পড়ে।

একাউন্টে চক্রাকার কারণ গ্রহণ

সুপারিশের গুণমান চক্রীয় কারণগুলির দ্বারা প্রভাবিত হতে পারে, যেমন সপ্তাহের দিন, তারিখ, পূর্ববর্তী ছুটির দিনগুলির সাথে সামঞ্জস্যপূর্ণ।

ভাত। 1. প্রবণতা, মৌসুমী উপাদান এবং গোলমালে সময় সিরিজের পচনের উদাহরণ

সূচকীয় মসৃণকরণ চক্রীয় কারণগুলি বিবেচনায় নেওয়ার একটি সমাধান।

আসুন 3 টি মৌলিক পন্থা দেখি

1. সরল মসৃণকরণ (ব্রাউন মডেল)

একটি সিরিজের শেষ 2টি উপাদানে একটি ওজনযুক্ত গড় গণনার প্রতিনিধিত্ব করে।

2. ডাবল স্মুথিং (হোল্ট মডেল)

প্রবণতার পরিবর্তন এবং এই প্রবণতার চারপাশে অবশিষ্ট মানগুলির ওঠানামা বিবেচনা করে।

আমরা অবশিষ্টাংশের পরিবর্তনের পূর্বাভাস গণনা করি ® এবং প্রবণতা (d)৷ চূড়ান্ত y মান হল এই দুটি পরিমাণের যোগফল।

3. ট্রিপল স্মুথিং (হোল্ট-উইন্টার্স মডেল)

ট্রিপল স্মুথিং অতিরিক্তভাবে ঋতুগত বৈচিত্র বিবেচনা করে।

ট্রিপল স্মুথিংয়ের জন্য সূত্র।

আরিমা এবং সারিমা অ্যালগরিদম

ARIMA ব্যবহারের জন্য টাইম সিরিজের বিশেষত্ব হল বর্তমান এবং ভবিষ্যতের সাথে যুক্ত অতীত মানগুলির মধ্যে সংযোগ।

SARIMA - একটি মৌসুমী উপাদান সহ সিরিজের জন্য এক্সটেনশন। SARIMAX হল একটি এক্সটেনশন যা একটি বাহ্যিক রিগ্রেশন উপাদান অন্তর্ভুক্ত করে।

ARIMA মডেলগুলি আপনাকে সমন্বিত বা পার্থক্য-স্থির সময় সিরিজ অনুকরণ করতে দেয়।

সময় সিরিজের ARIMA পদ্ধতি হল যে সিরিজের স্থিরতা প্রথমে মূল্যায়ন করা হয়।

এরপরে, যথাযথ অর্ডারের পার্থক্য গ্রহণ করে সিরিজটি রূপান্তরিত হয় এবং রূপান্তরিত মডেলের জন্য একটি ARMA মডেল তৈরি করা হয়।

ARMA একটি লিনিয়ার মাল্টিপল রিগ্রেশন মডেল।

সিরিজটি স্থির হওয়া গুরুত্বপূর্ণ, যেমন গড় এবং প্রকরণ পরিবর্তন হয়নি। যদি সিরিজটি অস্থির হয় তবে এটি একটি স্থির আকারে আনা উচিত।

XGBoost - এটা ছাড়া আমরা কোথায় থাকব?

যদি একটি সিরিজের একটি অভ্যন্তরীণ প্রকাশ কাঠামো না থাকে, কিন্তু বাহ্যিক প্রভাবক কারণ (ম্যানেজার, আবহাওয়া, ইত্যাদি) থাকে, তাহলে আপনি নিরাপদে মেশিন লার্নিং মডেলগুলি যেমন বুস্টিং, র্যান্ডম ফরেস্ট, রিগ্রেশন, নিউরাল নেটওয়ার্ক এবং SVM ব্যবহার করতে পারেন।

দলের অভিজ্ঞতা থেকে ডেটা 4, সময় সিরিজের পূর্বাভাস, গুদাম খরচ, কর্মীদের খরচ, এটিএম নেটওয়ার্কের রক্ষণাবেক্ষণ, লজিস্টিক এবং বিল্ডিং সুপারিশ সিস্টেমের অপ্টিমাইজেশন সমাধানের জন্য প্রধান কাজগুলির মধ্যে একটি। SARIMA-এর মতো জটিল মডেলগুলি উচ্চ-মানের ফলাফল দেয়, কিন্তু সময়সাপেক্ষ এবং শুধুমাত্র একটি নির্দিষ্ট পরিসরের কাজের জন্য উপযুক্ত।

পরের প্রবন্ধে আমরা অসঙ্গতিগুলি অনুসন্ধান করার প্রধান পদ্ধতিগুলি দেখব৷

নিবন্ধগুলি আপনার আগ্রহের সাথে প্রাসঙ্গিক তা নিশ্চিত করতে, নীচের সমীক্ষায় অংশ নিন, বা পরবর্তী নিবন্ধগুলিতে কোন বিষয়গুলি সম্পর্কে লিখতে হবে তা মন্তব্যে লিখুন৷

শুধুমাত্র নিবন্ধিত ব্যবহারকারীরা জরিপে অংশগ্রহণ করতে পারবেন। সাইন ইন করুনকরুন।

কোন বিষয়ে আপনি আগ্রহী নিবন্ধ?

• সুপারিশকারী সিস্টেম

• ছবি স্বীকৃতি

• বক্তৃতা এবং পাঠ্য প্রক্রিয়াকরণ

• DNN-এ নতুন আর্কিটেকচার

• সময় সিরিজ এবং অসঙ্গতি অনুসন্ধান

• ব্যবসায় এমএল, ক্ষেত্রে ব্যবহার

17 ব্যবহারকারী ভোট দিয়েছেন। 3 জন ব্যবহারকারী বিরত ছিলেন।

উত্স: www.habr.com