Artiklis käsitletakse aegridade rakendusvaldkondi, lahendatavaid probleeme ja kasutatavaid algoritme. Aegridade prognoosimist kasutatakse sellistes ülesannetes nagu nõudluse, kontaktkeskuste koormuse, maantee- ja internetiliikluse prognoosimine, soovitussüsteemide külmkäivituse probleemi lahendamine ning seadmete ja kasutajate käitumise anomaaliate otsimine.
Vaatame ülesandeid üksikasjalikumalt.
1) Nõudluse prognoosimine.
Eesmärk: vähendada laokulusid ja optimeerida töötajate töögraafikuid.
Kuidas seda lahendada: omades kaupade ostuprognoosi ja klientide arvu, minimeerime laos olevad kaubad ja ladustame täpselt nii palju, kui antud ajavahemikus ostetakse. Teades klientide arvu igal ajahetkel, koostame optimaalse töögraafiku, et minimaalsete kuludega oleks piisavalt töötajaid.
2) Tarneteenuse koormuse prognoosimine
Eesmärk: vältida logistika kokkuvarisemist tippkoormuse ajal.
Kuidas seda lahendada: ennustage tellimuste arvu, tooge liinile optimaalne arv autosid ja kullereid.
3) Kontaktkeskuse koormuse prognoosimine
Eesmärk: tagada kontaktkeskuse vajalik kättesaadavus, minimeerides samal ajal palgafondi kulusid.
Kuidas lahendada: kõnede arvu prognoosimine ajas, operaatoritele optimaalse ajakava koostamine.
4) Liikluse prognoosimine
Eesmärk: ennustada serverite arvu ja ribalaiust stabiilseks tööks. Et teie teenus mõne populaarse telesarja või jalgpallimatši esilinastuse päeval kokku ei jookseks 😉
5) Sularahaautomaadi kogumise optimaalse aja prognoosimine
Eesmärk: minimeerida sularahaautomaatide võrgus hoitava sularaha kogust
6) Külmkäivituse probleemi lahendused soovitussüsteemides
Eesmärk: soovitada uutele kasutajatele asjakohaseid tooteid.
Kui kasutaja on sooritanud mitu ostu, saab soovituste jaoks koostada koostööpõhise filtreerimisalgoritmi, kuid kui kasutaja kohta infot pole, on optimaalne soovitada kõige populaarsemaid tooteid.
Lahendus: Toodete populaarsus sõltub soovituse tegemise ajast. Aegridade prognoosimise kasutamine aitab tuvastada asjakohaseid tooteid igal ajahetkel.
Vaatlesime soovitussüsteemide ehitamiseks vajalikke eluviise
7) anomaaliate otsimine
Eesmärk: tuvastada probleemid seadmete töös ja ebastandardsed olukorrad ettevõtluses
Lahendus. Kui mõõdetud väärtus on väljaspool prognoositud usaldusvahemikku, on tuvastatud anomaalia. Kui tegemist on tuumajaamaga, on aeg distantsi ruutu suurendada 😉
Algoritmid probleemi lahendamiseks
1) Liikuv keskmine
Lihtsaim algoritm on liikuv keskmine. Arvutame viimaste elementide keskmise väärtuse ja teeme ennustuse. Üle 10 päeva kestvate ilmaennustuste puhul kasutatakse sarnast lähenemist.
Kui on oluline, et seeria viimastel väärtustel oleks suurem kaal, võtame kasutusele koefitsiendid, mis sõltuvad kuupäeva kaugusest, saades kaalutud mudeli:
Seega saate W koefitsiendi seada nii, et maksimaalne kaal langeb viimasele 2 päevale ja sisenemispäevadele.
Võttes arvesse tsüklilisi tegureid
Soovituste kvaliteeti võivad mõjutada tsüklilised tegurid, nagu nädalapäeva kokkulangevus, kuupäev, eelnevad pühad jne.
Riis. 1. Näide aegridade lagunemisest trendiks, hooajaliseks komponendiks ja müraks
Eksponentsiaalne silumine on lahendus tsükliliste tegurite arvestamiseks.
Vaatame 3 põhilist lähenemist
1. Lihtne silumine (pruun mudel)
Esindab kaalutud keskmise arvutamist rea kahe viimase elemendi kohta.
2. Topelt silumine (Holt mudel)
Võtab arvesse muutusi trendis ja jääkväärtuste kõikumisi selle trendi ümber.
Arvutame jääkide ® ja trendi (d) muutuste prognoosi. Y lõppväärtus on nende kahe suuruse summa.
3. Kolmekordne silumine (Holt-Wintersi mudel)
Kolmekordne silumine võtab lisaks arvesse hooajalisi erinevusi.
Valemid kolmekordseks silumiseks.
ARIMA ja SARIMA algoritm
ARIMA kasutamise aegridade eripära on seos mineviku väärtuste vahel, mis on seotud praeguste ja tulevaste väärtustega.
SARIMA – hooajalise komponendiga seeriate laiendus. SARIMAX on laiendus, mis sisaldab välist regressioonikomponenti.
ARIMA mudelid võimaldavad simuleerida integreeritud või erinevus-statsionaarseid aegridu.
ARIMA lähenemine aegridadele seisneb selles, et kõigepealt hinnatakse seeria statsionaarsust.
Järgmisena teisendatakse seeria, võttes sobiva järjekorra erinevuse, ja teisendatud mudeli jaoks konstrueeritakse ARMA mudel.
ARMA on lineaarne mitme regressiooni mudel.
Oluline on, et sari oleks statsionaarne, s.t. keskmine ja dispersioon ei muutunud. Kui seeria on mittestatsionaarne, tuleks see viia statsionaarsesse vormi.
XGBoost – kus me oleksime ilma selleta?
Kui seerial puudub sisemine väljendatud struktuur, kuid on väliseid mõjutegureid (haldur, ilm jne), siis võib julgelt kasutada masinõppemudeleid nagu võimendamine, juhuslikud metsad, regressioon, närvivõrgud ja SVM.
Meeskonna kogemusest ANDMED4, aegridade prognoosimine, üks peamisi ülesandeid laokulude optimeerimise, personalikulude, sularahaautomaatide võrkude hoolduse optimeerimise, logistika ja ehitussoovitussüsteemide lahendamisel. Sellised keerulised mudelid nagu SARIMA annavad kvaliteetseid tulemusi, kuid on aeganõudvad ja sobivad vaid teatud tööülesannete jaoks.
Järgmises artiklis vaatleme peamisi lähenemisviise kõrvalekallete otsimisel.
Veendumaks, et artiklid vastavad teie huvidele, osalege allolevas küsitluses või kirjutage kommentaaridesse, millistel teemadel järgmistes artiklites kirjutada.
Küsitluses saavad osaleda ainult registreerunud kasutajad.
Artiklid mis teemal sind huvitavad?
-
Soovitussüsteemid
-
Pildituvastus
-
Kõne- ja tekstitöötlus
-
Uued arhitektuurid DNN-is
-
Aegridade ja anomaaliate otsing
-
ML ettevõtluses, kasutusjuhtumid
17 kasutajat hääletas. 3 kasutajat jäi erapooletuks.
Allikas: www.habr.com