Artikuluak denbora-serieen aplikazio-eremuak, ebatzi beharreko arazoak eta erabilitako algoritmoak aztertzen ditu. Denbora-serieen iragarpena eskaria aurreikusteko, kontaktu zentroko karga, errepideko eta Interneteko trafikoa, gomendio-sistemetan hotz abiaraztearen arazoa konpontzeko eta ekipoen eta erabiltzaileen portaeran anomaliak bilatzeko lanetan erabiltzen da.
Ikus ditzagun zereginak zehatzago.
1) Eskariaren aurreikuspena.
Helburua: biltegiko kostuak murriztea eta langileen lan ordutegiak optimizatzea.
Nola konpondu: salgaien erosketen eta bezero kopuruaren aurreikuspena izanik, biltegiko salgaien kopurua minimizatzen dugu eta denbora tarte jakin batean erosiko den adina gordetzen dugu. Une bakoitzean bezero kopurua ezagututa, lan-ordutegi optimoa egingo dugu, kostu gutxieneko langile kopuru nahikoa egon dadin.
2) Bidalketa-zerbitzuaren zama aurreikustea
Helburua: logistika kolapsoa saihestea karga puntakoetan.
Nola konpondu: eskaera kopurua aurreikustea, ekarri auto eta mezulari kopuru optimoa lineara.
3) Kontaktu zentroan karga aurreikustea
Helburua: harremanetarako zentroaren beharrezko erabilgarritasuna bermatzea, soldata-funtsaren kostuak gutxituz.
Nola konpondu: dei kopurua denboran zehar aurreikustea, operadoreentzako ordutegi optimoa sortuz.
4) Trafikoaren aurreikuspena
Helburua: funtzionamendu egonkorra izateko zerbitzari kopurua eta banda zabalera aurreikustea. Telesail ezagun edo futbol partida baten estreinaldi egunean zure zerbitzua huts egin ez dadin 😉
5) Kutxazain automatikoak biltzeko denbora optimoa aurreikustea
Helburua: kutxazainen sarean gordetako diru kopurua murriztea
6) Hotzeko abiaraztearen arazoari irtenbideak gomendio sistemetan
Helburua: erabiltzaile berriei produktu garrantzitsuak gomendatzea.
Erabiltzaileak hainbat erosketa egin dituenean, lankidetzako iragazketa algoritmo bat eraiki daiteke gomendioetarako, baina erabiltzaileari buruzko informaziorik ez dagoenean, produktu ezagunenak gomendatzea da egokiena.
Irtenbidea: produktuen ospea gomendioa egiten den denboraren araberakoa da. Denbora-serieen aurreikuspenak erabiltzeak produktu garrantzitsuak une bakoitzean identifikatzen laguntzen du.
Gomendio sistemak eraikitzeko bizitza-trukeak aztertu ditugu .
7) Anomaliak bilatzea
Helburua: ekipamenduen funtzionamenduaren arazoak eta negozioetan normalizatu gabeko egoerak identifikatzea
Irtenbidea: neurtutako balioa aurreikusitako konfiantza-tartetik kanpo badago, anomalia bat hauteman da. Hau zentral nuklearra bada, distantziaren karratua handitzeko garaia da 😉
Problema konpontzeko algoritmoak
1) Batez besteko mugikorra
Algoritmorik errazena batez besteko higikorra da. Kalkula dezagun azken elementuen batez besteko balioa eta egin dezagun iragarpena. 10 egun baino luzeagoko eguraldiaren iragarpenetarako, antzeko ikuspegia erabiltzen da.
Serie bateko azken balioek pisu gehiago ematea garrantzitsua denean, dataren distantziaren araberako koefizienteak sartzen ditugu, eredu haztatu bat lortuz:
Beraz, W koefizientea ezar dezakezu gehienezko pisua azken 2 egunetan eta sarrera egunetan eror dadin.
Faktore ziklikoak kontuan hartuta
Gomendioen kalitatean faktore ziklikoek eragina izan dezakete, hala nola asteko egunarekin, datarekin, aurreko jaiegunekin, etab.
Arroza. 1. Denbora-serieen deskonposizioaren adibidea joera, urtaro-osagai eta zaratetan
Leuntze esponentziala faktore ziklikoak kontuan hartzeko irtenbidea da.
Ikus ditzagun oinarrizko 3 planteamendu
1. Leuntze sinplea (eredu marroia)
Serie baten azken 2 elementuen batez besteko haztatuaren kalkulua adierazten du.
2. Leuntze bikoitza (Holt eredua)
Joera-aldaketak eta joera honen inguruko hondar-balioen gorabeherak hartzen ditu kontuan.
Hondakinen ® eta joera (d) aldaketen aurreikuspena kalkulatzen dugu. y-ren azken balioa bi kantitate hauen batura da.
3. Leuntze hirukoitza (Holt-Winters eredua)
Leuntze hirukoitzak, gainera, urtaroen aldaketak ere hartzen ditu kontuan.
Leuntze hirukoitzerako formulak.
ARIMA eta SARIMA algoritmoa
ARIMA erabiltzeko denbora serieen berezitasuna egungo eta etorkizuneko balioen arteko lotura da.
SARIMA – sasoiko osagaia duten serieetarako luzapena. SARIMAX kanpoko erregresio osagai bat barne hartzen duen luzapena da.
ARIMA ereduek denbora serie integratuak edo diferentzia-geldikoak simulatzeko aukera ematen dute.
Denbora-serieen ARIMAren ikuspegia da lehenik eta behin seriearen gelditasuna ebaluatzen dela.
Ondoren, seriea eraldatzen da dagokion ordenaren aldea hartuz, eta ARMA eredu bat eraikitzen da eraldatutako eredurako.
ARMA erregresio anitzeko eredu lineala da.
Garrantzitsua da seriea geldi egotea, hau da. batezbestekoa eta bariantza ez ziren aldatu. Seriea geldirik ez bada, forma geldikorrera eraman behar da.
XGBoost - non egongo ginateke hura gabe?
Serie batek ez badu barne adierazitako egiturarik, baina kanpoko eragin-faktoreak badaude (kudeatzailea, eguraldia, etab.), orduan modu seguruan erabil ditzakezu ikaskuntza automatikoko ereduak, hala nola boosting, ausazko basoak, erregresioa, neurona-sareak eta SVM.
Taldearen esperientziatik DATUAK4, denbora serieen aurreikuspena, biltegiko kostuen optimizazioa, langileen kostuak, kutxazain automatikoen sareen mantentze-lanak optimizatzea, logistika eta eraikuntza gomendio sistemak konpontzeko zeregin nagusietako bat. SARIMA bezalako eredu konplexuek kalitate handiko emaitzak ematen dituzte, baina denbora asko eskatzen dute eta zeregin sorta jakin baterako baino ez dira egokiak.
Hurrengo artikuluan anomaliak bilatzeko planteamendu nagusiak aztertuko ditugu.
Artikuluak zure interesetarako garrantzitsuak direla ziurtatzeko, egin beheko inkesta edo idatzi iruzkinetan hurrengo artikuluetan zein gairi buruz idatzi.
Erregistratutako erabiltzaileek soilik parte hartu dezakete inkestan. , mesedez.
Zein gairi buruzko artikuluak interesatzen zaizkizu?
-
Gomendio sistemak
-
Irudien aitorpena
-
Hizketaren eta testuen tratamendua
-
Arkitektura berriak DNNn
-
Denbora-serieak eta anomalien bilaketa
-
ML negozioetan, erabilera kasuak
17 erabiltzailek eman dute botoa. 3 erabiltzaile abstenitu ziren.
Iturria: www.habr.com