El artículo analiza las áreas de aplicación de las series temporales, los problemas a resolver y los algoritmos utilizados. La previsión de series de tiempo se utiliza en tareas como la previsión de la demanda, la carga del centro de contacto, el tráfico de carreteras y de Internet, la resolución del problema del arranque en frío en los sistemas de recomendación y la búsqueda de anomalías en el comportamiento de los equipos y los usuarios.
Veamos las tareas con más detalle.
1) Previsión de la demanda.
Objetivo: reducir los costes de almacén y optimizar los horarios de trabajo del personal.
Cómo solucionarlo: al tener una previsión de compras de bienes y del número de clientes, minimizamos la cantidad de bienes en el almacén y almacenamos exactamente tanto como se comprará en un rango de tiempo determinado. Conociendo el número de clientes en cada momento, trazaremos un cronograma de trabajo óptimo para que haya una plantilla suficiente con un mínimo de costes.
2) Previsión de la carga en el servicio de entrega.
Objetivo: evitar el colapso logístico durante los picos de carga.
Cómo resolverlo: prediciendo el número de pedidos, ponga en juego el número óptimo de automóviles y mensajeros.
3) Previsión de la carga en el contact center.
Objetivo: asegurar la disponibilidad requerida del contact center minimizando los costos de nómina.
Cómo solucionarlo: pronosticar el número de llamadas a lo largo del tiempo, creando un cronograma óptimo para los operadores.
4) Previsión de tráfico
Objetivo: predecir la cantidad de servidores y ancho de banda para un funcionamiento estable. Para que tu servicio no caiga el día del estreno de una popular serie de televisión o de un partido de fútbol 😉
5) Previsión del momento óptimo para el cobro en cajeros automáticos
Objetivo: minimizar la cantidad de efectivo almacenado en la red de cajeros automáticos
6) Soluciones al problema del arranque en frío en sistemas de recomendación.
Objetivo: recomendar productos relevantes a nuevos usuarios.
Cuando el usuario ha realizado varias compras se puede construir un algoritmo de filtrado colaborativo para recomendaciones, pero cuando no hay información sobre el usuario lo óptimo es recomendar los productos más populares.
Solución: La popularidad de los productos depende del momento en que se hace la recomendación. El uso de pronósticos de series de tiempo ayuda a identificar productos relevantes en cualquier momento dado.
Analizamos trucos para crear sistemas de recomendación en .
7) Búsqueda de anomalías
Objetivo: identificar problemas en el funcionamiento de equipos y situaciones atípicas en los negocios.
Solución: Si el valor medido está fuera del intervalo de confianza del pronóstico, se ha detectado una anomalía. Si se trata de una central nuclear, es hora de aumentar el cuadrado de la distancia 😉
Algoritmos para resolver el problema.
1) media móvil
El algoritmo más simple es la media móvil. Calculemos el valor promedio de los últimos elementos y hagamos una predicción. Para pronósticos meteorológicos de más de 10 días, se utiliza un enfoque similar.
Cuando es importante que los últimos valores de una serie aporten más peso, introducimos coeficientes en función de la distancia de la fecha, obteniendo un modelo ponderado:
Por lo tanto, puede establecer el coeficiente W para que el peso máximo caiga en los últimos 2 días y en los días de entrada.
Teniendo en cuenta los factores cíclicos
La calidad de las recomendaciones puede verse afectada por factores cíclicos, como coincidencia con el día de la semana, fecha, festivos anteriores, etc.
Arroz. 1. Ejemplo de descomposición de series temporales en tendencia, componente estacional y ruido
La suavización exponencial es una solución para tener en cuenta factores cíclicos.
Veamos 3 enfoques básicos
1. Suavizado simple (modelo Marrón)
Representa el cálculo de un promedio ponderado de los 2 últimos elementos de una serie.
2. Doble alisado (modelo Holt)
Tiene en cuenta los cambios de tendencia y las fluctuaciones de los valores residuales en torno a esta tendencia.
Calculamos la predicción de cambios en los residuos ® y la tendencia (d). El valor final de y es la suma de estas dos cantidades.
3. Triple alisado (modelo Holt-Winters)
El triple suavizado también tiene en cuenta las variaciones estacionales.
Fórmulas para triple alisado.
Algoritmo ARIMA y SARIMA
La peculiaridad de las series de tiempo para el uso de ARIMA es la conexión entre los valores pasados asociados con los actuales y futuros.
SARIMA – extensión para series con componente estacional. SARIMAX es una extensión que incluye un componente de regresión externa.
Los modelos ARIMA le permiten simular series temporales integradas o estacionarias en diferencias.
El enfoque ARIMA para las series de tiempo consiste en que primero se evalúa la estacionariedad de la serie.
A continuación, la serie se transforma tomando la diferencia del orden apropiado y se construye un modelo ARMA para el modelo transformado.
ARMA es un modelo de regresión lineal múltiple.
Es importante que la serie sea estacionaria, es decir la media y la varianza no cambiaron. Si la serie no es estacionaria, se debe llevar a una forma estacionaria.
XGBoost: ¿dónde estaríamos sin él?
Si una serie no tiene una estructura expresada internamente, pero hay factores de influencia externos (administrador, clima, etc.), entonces puede usar de manera segura modelos de aprendizaje automático como boosting, bosques aleatorios, regresión, redes neuronales y SVM.
De la experiencia del equipo. DATOS4, previsión de series temporales, una de las principales tareas para solucionar la optimización de costes de almacén, costes de personal, optimización del mantenimiento de redes de cajeros automáticos, logística y sistemas de recomendación de edificios. Los modelos complejos como SARIMA proporcionan resultados de alta calidad, pero requieren mucho tiempo y sólo son adecuados para una determinada gama de tareas.
En el próximo artículo veremos los principales enfoques para buscar anomalías.
Para asegurarse de que los artículos sean relevantes para sus intereses, responda la encuesta a continuación o escriba en los comentarios sobre qué temas escribir en los próximos artículos.
Solo los usuarios registrados pueden participar en la encuesta. por favor
¿Artículos sobre qué tema te interesa?
-
Sistemas de recomendación
-
Reconocimiento de imágenes
-
Procesamiento de voz y texto
-
Nuevas arquitecturas en DNN
-
Búsqueda de series temporales y anomalías.
-
ML en los negocios, casos de uso
17 usuarios votaron. 3 usuarios se abstuvieron.
Fuente: habr.com