Mae'r erthygl yn trafod meysydd cymhwyso cyfresi amser, y problemau i'w datrys, a'r algorithmau a ddefnyddir. Defnyddir rhagolygon cyfres amser mewn tasgau megis rhagweld galw, llwyth canolfan gyswllt, traffig ffordd a Rhyngrwyd, datrys y broblem cychwyn oer mewn systemau argymell, a chwilio am anghysondebau yn ymddygiad offer a defnyddwyr.
Gadewch i ni edrych ar y tasgau yn fwy manwl.
1) Rhagfynegi galw.
Nod: lleihau costau warws a gwneud y gorau o amserlenni gwaith staff.
Sut i'w ddatrys: gyda rhagolwg o bryniadau nwyddau a nifer y cwsmeriaid, rydym yn lleihau faint o nwyddau yn y warws ac yn storio cymaint yn union ag a brynir o fewn ystod amser benodol. Gan wybod nifer y cleientiaid ar unrhyw adeg benodol, byddwn yn llunio amserlen waith optimaidd fel bod digon o staff gyda lleiafswm o gostau.
2) Rhagweld y llwyth ar y gwasanaeth dosbarthu
Nod: atal logisteg rhag cwympo yn ystod llwythi brig.
Sut i'w ddatrys: rhagfynegi nifer yr archebion, dewch â'r nifer gorau posibl o geir a negeswyr ar y llinell.
3) Rhagweld y llwyth ar y ganolfan gyswllt
Nod: sicrhau bod y ganolfan gyswllt ar gael wrth leihau costau'r gronfa gyflogau.
Sut i ddatrys: rhagweld nifer y galwadau dros amser, gan greu amserlen optimaidd ar gyfer gweithredwyr.
4) Rhagolygon traffig
Nod: rhagfynegi nifer y gweinyddwyr a lled band ar gyfer gweithrediad sefydlog. Fel na fydd eich gwasanaeth yn chwalu ar ddiwrnod perfformiad cyntaf cyfres deledu neu gêm bêl-droed boblogaidd 😉
5) Rhagweld yr amser gorau posibl ar gyfer casglu ATM
Nod: lleihau faint o arian parod sy'n cael ei storio yn y rhwydwaith ATM
6) Atebion i'r broblem cychwyn oer mewn systemau argymell
Nod: Argymell cynhyrchion perthnasol i ddefnyddwyr newydd.
Pan fydd y defnyddiwr wedi gwneud sawl pryniant, gellir adeiladu algorithm hidlo cydweithredol ar gyfer argymhellion, ond pan nad oes gwybodaeth am y defnyddiwr, mae'n well argymell y cynhyrchion mwyaf poblogaidd.
Ateb: Mae poblogrwydd cynhyrchion yn dibynnu ar yr amser y gwneir yr argymhelliad. Mae defnyddio rhagolygon cyfres amser yn helpu i nodi cynhyrchion perthnasol ar unrhyw adeg benodol.
Gwnaethom edrych ar haciau bywyd ar gyfer adeiladu systemau argymell ynddynt .
7) Chwilio am anomaleddau
Nod: nodi problemau wrth weithredu offer a sefyllfaoedd ansafonol mewn busnes
Ateb: Os yw'r gwerth mesuredig y tu allan i'r cyfwng hyder a ragwelir, mae anghysondeb wedi'i ganfod. Os yw hwn yn orsaf ynni niwclear, mae'n bryd cynyddu sgwâr y pellter 😉
Algorithmau ar gyfer datrys y broblem
1) Cyfartaledd symudol
Yr algorithm symlaf yw'r cyfartaledd symudol. Gadewch i ni gyfrifo'r gwerth cyfartalog ar yr ychydig elfennau olaf a gwneud rhagfynegiad. Ar gyfer rhagolygon tywydd mwy na 10 diwrnod, defnyddir dull tebyg.
Pan mae'n bwysig bod y gwerthoedd olaf mewn cyfres yn cyfrannu mwy o bwysau, rydym yn cyflwyno cyfernodau yn dibynnu ar bellter y dyddiad, gan gael model wedi'i bwysoli:
Felly, gallwch chi osod y cyfernod W fel bod y pwysau uchaf yn disgyn ar y 2 ddiwrnod diwethaf a'r dyddiau mynediad.
Gan ystyried ffactorau cylchol
Gall ansawdd yr argymhellion gael eu heffeithio gan ffactorau cylchol, megis cyd-ddigwyddiad â diwrnod yr wythnos, dyddiad, gwyliau blaenorol, ac ati.
Reis. 1. Enghraifft o ddadelfennu cyfres amser i duedd, cydran tymhorol a sŵn
Mae llyfnu esbonyddol yn ateb i gymryd ffactorau cylchol i ystyriaeth.
Edrychwn ar 3 dull sylfaenol
1. llyfnu syml (model brown)
Yn cynrychioli cyfrifiad cyfartaledd pwysol ar 2 elfen olaf cyfres.
2. llyfnu dwbl (model Holt)
Yn cymryd i ystyriaeth newidiadau mewn tuedd ac amrywiadau mewn gwerthoedd gweddilliol o amgylch y duedd hon.
Rydym yn cyfrifo rhagfynegiad newidiadau mewn gweddillion ® a thuedd (d). Gwerth terfynol y yw swm y ddau swm hyn.
3. llyfnu triphlyg (model Holt-Winters)
Mae llyfnu triphlyg hefyd yn cymryd amrywiadau tymhorol i ystyriaeth.
Fformiwlâu ar gyfer llyfnu triphlyg.
Algorithm ARIMA a SARIMA
Hynodrwydd cyfresi amser ar gyfer defnyddio ARIMA yw'r cysylltiad rhwng gwerthoedd y gorffennol sy'n gysylltiedig â rhai'r presennol a'r dyfodol.
SARIMA – estyniad ar gyfer cyfres gyda chydran dymhorol. Estyniad yw SARIMAX sy'n cynnwys cydran atchweliad allanol.
Mae modelau ARIMA yn caniatáu ichi efelychu cyfresi amser integredig neu wahanol-sefydlog.
Ymagwedd ARIMA at gyfresi amser yw bod llonyddwch y gyfres yn cael ei asesu gyntaf.
Nesaf, mae'r gyfres yn cael ei thrawsnewid trwy gymryd gwahaniaeth y drefn briodol, ac mae model ARMA yn cael ei adeiladu ar gyfer y model wedi'i drawsnewid.
Mae ARMA yn fodel atchweliad lluosog llinol.
Mae’n bwysig bod y gyfres yn llonydd, h.y. ni newidiodd y cymedr a'r amrywiant. Os yw'r gyfres yn ansefydlog, dylid ei dwyn i ffurf llonydd.
XGBoost – ble fydden ni hebddo?
Os nad oes gan gyfres strwythur wedi'i fynegi'n fewnol, ond bod yna ffactorau dylanwad allanol (rheolwr, tywydd, ac ati), yna gallwch chi ddefnyddio modelau dysgu peiriant yn ddiogel fel hwb, coedwigoedd ar hap, atchweliad, rhwydweithiau niwral a SVM.
O brofiad y tîm DATA4, rhagweld cyfres amser, un o'r prif dasgau ar gyfer datrys optimeiddio costau warws, costau personél, gwneud y gorau o gynnal a chadw rhwydweithiau ATM, logisteg a systemau argymell adeiladu. Mae modelau cymhleth fel SARIMA yn rhoi canlyniadau o ansawdd uchel, ond maent yn cymryd llawer o amser ac yn addas ar gyfer ystod benodol o dasgau yn unig.
Yn yr erthygl nesaf byddwn yn edrych ar y prif ddulliau o chwilio am anomaleddau.
Er mwyn sicrhau bod yr erthyglau yn berthnasol i'ch diddordebau, cymerwch yr arolwg isod, neu ysgrifennwch yn y sylwadau pa bynciau i ysgrifennu amdanynt yn yr erthyglau nesaf.
Dim ond defnyddwyr cofrestredig all gymryd rhan yn yr arolwg. os gwelwch yn dda.
Erthyglau ar ba bwnc sydd o ddiddordeb i chi?
-
Systemau argymell
-
Adnabod delwedd
-
Prosesu lleferydd a thestun
-
Pensaernïaeth newydd yn DNN
-
Cyfres amser a chwilio am anomaleddau
-
ML mewn busnes, achosion defnydd
Pleidleisiodd 17 o ddefnyddwyr. Ymataliodd 3 o ddefnyddwyr.
Ffynhonnell: hab.com