La artikolo diskutas la areojn de apliko de temposerio, la problemojn solvi, kaj la algoritmoj uzitaj. Temposerioprognozado estas uzata en taskoj kiel prognozado de postulo, kontaktcentro-ŝarĝo, voja kaj interreta trafiko, solvante la problemon de malvarma starto en rekomendaj sistemoj kaj serĉado de anomalioj en la konduto de ekipaĵoj kaj uzantoj.
Ni rigardu la taskojn pli detale.
1) Prognozo de postulo.
Celo: redukti stokajn kostojn kaj optimumigi dungitajn laborhorarojn.
Kiel solvi ĝin: havante prognozon pri aĉetoj de varoj kaj la nombro da klientoj, ni minimumigas la kvanton da varoj en la magazeno kaj konservas ĝuste tiom kiom oni aĉetos en difinita tempo. Konante la nombron da klientoj en ajna momento, ni ellaboros optimuman laborhoraron por ke estu sufiĉa nombro da dungitoj kun minimumo de kostoj.
2) Antaŭvidante la ŝarĝon sur la liverservo
Celo: malhelpi loĝistikan kolapson dum pintaj ŝarĝoj.
Kiel solvi ĝin: antaŭdiri la nombron da mendoj, alportu la optimuman nombron da aŭtoj kaj kurieroj sur la linion.
3) Antaŭvidante la ŝarĝon sur la kontaktcentro
Celo: certigi la bezonatan haveblecon de la kontaktcentro dum minimumigo de salajrokostoj.
Kiel solvi: antaŭvidante la nombron da vokoj laŭlonge de la tempo, kreante optimuman horaron por telefonistoj.
4) Trafika prognozo
Celo: antaŭdiri la nombron da serviloj kaj bendolarĝo por stabila operacio. Por ke via servo ne kraŝu en la tago de la premiero de populara televidserio aŭ futbala matĉo 😉
5) Antaŭvidante la optimuman tempon por ATM-kolektado
Celo: minimumigi la kvanton de kontantmono stokita en la ATM-reto
6) Solvoj al la malvarma startproblemo en rekomendaj sistemoj
Celo: Rekomendi koncernajn produktojn al novaj uzantoj.
Kiam la uzanto faris plurajn aĉetojn, oni povas konstrui kunlaboran filtran algoritmon por rekomendoj, sed kiam mankas informoj pri la uzanto, estas optimuma rekomendi la plej popularajn produktojn.
Solvo: La populareco de produktoj dependas de la tempo, kiam la rekomendo estas farita. Uzado de temposerioprognozado helpas identigi koncernajn produktojn en iu ajn momento.
Ni rigardis vivajn hakojn por konstrui rekomendajn sistemojn enen .
7) Serĉu anomaliojn
Celo: identigi problemojn en funkciado de ekipaĵo kaj ne-normajn situaciojn en komerco
Solvo: Se la mezurita valoro estas ekster la prognoza konfidenca intervalo, anomalio estis detektita. Se ĉi tio estas atomcentralo, estas tempo pliigi la kvadraton de la distanco 😉
Algoritmoj por solvi la problemon
1) Movanta mezumo
La plej simpla algoritmo estas la moviĝanta mezumo. Ni kalkulu la averaĝan valoron sur la lastaj kelkaj elementoj kaj faru antaŭdiron. Por veterprognozoj pli longaj ol 10 tagoj, simila aliro estas uzata.
Kiam gravas, ke la lastaj valoroj en serio kontribuas pli da pezo, ni enkondukas koeficientojn depende de la distanco de la dato, akirante pezbalancitan modelon:
Do, vi povas agordi la W-koeficienton tiel ke la maksimuma pezo falas en la lastaj 2 tagoj kaj la enirtagoj.
Konsiderante ciklajn faktorojn
La kvalito de rekomendoj povas esti influita de ciklaj faktoroj, kiel ekzemple koincido kun la semajnotago, dato, antaŭaj ferioj, ktp.
Rizo. 1. Ekzemplo de temposerio putriĝo en tendenco, laŭsezona komponanto kaj bruo
Eksponenta glatigo estas solvo por konsideri ciklajn faktorojn.
Ni rigardu 3 bazajn alirojn
1. Simpla glatigo (Bruna modelo)
Reprezentas la kalkulon de laŭpeza mezumo sur la lastaj 2 elementoj de serio.
2. Duobla glatiĝo (modelo Holt)
Konsideras ŝanĝojn en tendenco kaj fluktuojn en restaj valoroj ĉirkaŭ ĉi tiu tendenco.
Ni kalkulas la antaŭdiron de ŝanĝoj en restaĵoj ® kaj tendenco (d). La fina valoro de y estas la sumo de ĉi tiuj du kvantoj.
3. Triobla glatiĝo (modelo Holt-Winters)
Triobla glatigo krome konsideras laŭsezonajn variadojn.
Formuloj por triobla glatigo.
ARIMA kaj SARIMA algoritmo
La propreco de temposerio por la uzo de ARIMA estas la ligo inter pasintaj valoroj asociitaj kun nunaj kaj estontaj.
SARIMA - etendaĵo por serioj kun laŭsezona komponanto. SARIMAX estas etendaĵo kiu inkluzivas eksteran regresan komponenton.
ARIMA-modeloj permesas simuli integrajn aŭ diferenc-senmorajn temposerion.
La ARIMA aliro al temposerio estas ke la senmoveco de la serio unue estas taksita.
Poste, la serio estas transformita prenante la diferencon de la konvena ordo, kaj ARMA-modelo estas konstruita por la transformita modelo.
ARMA estas lineara multobla regresa modelo.
Gravas, ke la serio estu senmova, t.e. la meznombro kaj varianco ne ŝanĝiĝis. Se la serio estas nesenmova, ĝi devus esti alportita al senmova formo.
XGBoost - kie ni estus sen ĝi?
Se serio ne havas internan esprimitan strukturon, sed ekzistas eksteraj influaj faktoroj (manaĝero, vetero, ktp.), tiam vi povas sekure uzi maŝinlernajn modelojn kiel akceli, hazardaj arbaroj, regreso, neŭralaj retoj kaj SVM.
El la sperto de la teamo DATUMOJ4, tempa serio prognozo, unu el la ĉefaj taskoj por solvi la optimumigo de magazenaj kostoj, personaj kostoj, optimumigi la prizorgadon de ATM-retoj, loĝistiko kaj konstruado de rekomendaj sistemoj. Kompleksaj modeloj kiel SARIMA donas altkvalitajn rezultojn, sed estas tempopostulaj kaj taŭgas nur por certa gamo de taskoj.
En la sekva artikolo ni rigardos la ĉefajn alirojn por serĉi anomaliojn.
Por certigi, ke la artikoloj rilatas al viaj interesoj, faru la enketon sube, aŭ skribu en la komentoj pri kiuj temoj skribi en la venontaj artikoloj.
Nur registritaj uzantoj povas partopreni la enketon. , bonvolu.
Artikoloj pri kiu temo vi interesiĝas?
-
Rekomendaj sistemoj
-
Bilda rekono
-
Parolado kaj tekstotraktado
-
Novaj arkitekturoj en DNN
-
Temposerio kaj anomalio serĉo
-
ML en komerco, uzaj kazoj
Voĉdonis 17 uzantoj. 3 uzantoj sindetenis.
fonto: www.habr.com