سری های زمانی در پیش بینی تقاضا، بار در مراکز توزیع، توصیه های محصول و جستجوی ناهنجاری ها

این مقاله حوزه های کاربرد سری های زمانی، مسائلی که باید حل شوند و الگوریتم های مورد استفاده را مورد بحث قرار می دهد. پیش بینی سری های زمانی در کارهایی مانند پیش بینی تقاضا، بار مرکز تماس، ترافیک جاده و اینترنت، حل مشکل شروع سرد در سیستم های توصیه گر و جستجوی ناهنجاری ها در رفتار تجهیزات و کاربران استفاده می شود.

بیایید وظایف را با جزئیات بیشتری بررسی کنیم.

1) پیش بینی تقاضا

هدف: کاهش هزینه های انبار و بهینه سازی برنامه کاری کارکنان.

نحوه حل آن: با پیش‌بینی خرید کالا و تعداد مشتریان، مقدار کالا را در انبار به حداقل می‌رسانیم و دقیقاً به اندازه خرید در یک بازه زمانی معین ذخیره می‌کنیم. با دانستن تعداد مشتریان در هر زمان، یک برنامه کاری بهینه را ترسیم می کنیم تا تعداد پرسنل کافی با حداقل هزینه وجود داشته باشد.

2) پیش بینی بار در سرویس تحویل

هدف: جلوگیری از فروپاشی لجستیک در زمان اوج بار.

چگونه آن را حل کنیم: پیش بینی تعداد سفارشات، تعداد بهینه ماشین ها و پیک ها را روی خط بیاورید.

3) پیش بینی بار در مرکز تماس

هدف: اطمینان از در دسترس بودن مورد نیاز مرکز تماس و در عین حال به حداقل رساندن هزینه های صندوق دستمزد.

نحوه حل: پیش بینی تعداد تماس ها در طول زمان، ایجاد یک برنامه بهینه برای اپراتورها.

4) پیش بینی ترافیک

هدف: پیش بینی تعداد سرورها و پهنای باند برای عملکرد پایدار. تا سرویس شما در روز پخش یک سریال محبوب تلویزیونی یا مسابقه فوتبال خراب نشود 😉

5) پیش بینی زمان بهینه برای جمع آوری ATM

هدف: به حداقل رساندن مقدار پول نقد ذخیره شده در شبکه ATM

6) راه حل های مشکل شروع سرد در سیستم های توصیه

هدف: توصیه محصولات مرتبط به کاربران جدید.

هنگامی که کاربر چندین خرید انجام داده است، می توان یک الگوریتم فیلتر مشترک برای توصیه ها ایجاد کرد، اما زمانی که اطلاعاتی در مورد کاربر وجود ندارد، توصیه به محبوب ترین محصولات بهینه است.

راه حل: محبوبیت محصولات بستگی به زمان ارائه توصیه دارد. استفاده از پیش‌بینی سری‌های زمانی به شناسایی محصولات مرتبط در هر نقطه از زمان کمک می‌کند.

ما به هک‌های زندگی برای ساختن سیستم‌های توصیه‌گر نگاه کردیم مقاله قبلی.

7) جستجوی ناهنجاری ها

هدف: شناسایی مشکلات در عملکرد تجهیزات و موقعیت های غیر استاندارد در تجارت
راه حل: اگر مقدار اندازه گیری شده خارج از فاصله اطمینان پیش بینی شده باشد، یک ناهنجاری تشخیص داده شده است. اگر این نیروگاه هسته ای است، وقت آن است که مربع فاصله را افزایش دهید

الگوریتم هایی برای حل مسئله

1) میانگین متحرک

ساده ترین الگوریتم میانگین متحرک است. بیایید مقدار میانگین چند عنصر آخر را محاسبه کنیم و پیش بینی کنیم. برای پیش بینی آب و هوای بیش از 10 روز، رویکرد مشابهی استفاده می شود.

وقتی مهم است که آخرین مقادیر در یک سری وزن بیشتری داشته باشند، ضرایبی را بسته به فاصله تاریخ معرفی می کنیم و یک مدل وزنی به دست می آوریم:

بنابراین، می توانید ضریب W را طوری تنظیم کنید که حداکثر وزن در 2 روز آخر و روزهای ورود بیفتد.

با در نظر گرفتن عوامل چرخه ای

کیفیت توصیه‌ها ممکن است تحت تأثیر عوامل چرخه‌ای مانند همزمانی با روز هفته، تاریخ، تعطیلات قبل و غیره باشد.

برنج. 1. نمونه ای از تجزیه سری های زمانی به روند، جزء فصلی و نویز

هموارسازی نمایی راه حلی برای در نظر گرفتن عوامل چرخه ای است.

بیایید به 3 رویکرد اساسی نگاه کنیم

1. صاف کردن ساده (مدل قهوه ای)

نشان دهنده محاسبه میانگین وزنی بر روی 2 عنصر آخر یک سری است.

2. صاف کردن دوبل (مدل Holt)

تغییرات روند و نوسانات مقادیر باقیمانده حول این روند را در نظر می گیرد.

ما پیش بینی تغییرات باقیمانده ® و روند (d) را محاسبه می کنیم. مقدار نهایی y مجموع این دو کمیت است.

3. صاف کردن سه گانه (مدل Holt-Winters)

صاف کردن سه گانه علاوه بر این تغییرات فصلی را در نظر می گیرد.

فرمول برای صاف کردن سه گانه.

الگوریتم ARIMA و SARIMA

ویژگی سری های زمانی برای استفاده از ARIMA، ارتباط بین مقادیر گذشته مرتبط با مقادیر فعلی و آینده است.

SARIMA – پسوند برای سریال هایی با مولفه فصلی. SARIMAX یک برنامه افزودنی است که شامل یک جزء رگرسیون خارجی است.

مدل‌های ARIMA به شما امکان شبیه‌سازی سری‌های زمانی یکپارچه یا اختلاف ثابت را می‌دهند.

رویکرد ARIMA به سری های زمانی این است که ابتدا ثابت بودن سری ها ارزیابی می شود.

در مرحله بعد، سری با گرفتن تفاوت ترتیب مناسب تبدیل می شود و یک مدل ARMA برای مدل تبدیل شده ساخته می شود.

ARMA یک مدل رگرسیون چندگانه خطی است.

مهم است که سریال ثابت باشد، یعنی. میانگین و واریانس تغییر نکرد. اگر سری غیر ثابت است، باید به شکل ثابت در بیاید.

XGBoost – بدون آن کجا خواهیم بود؟

اگر یک سری ساختار بیان شده داخلی ندارد، اما عوامل تأثیرگذار خارجی (مدیر، آب و هوا و غیره) وجود دارد، می‌توانید با خیال راحت از مدل‌های یادگیری ماشین مانند تقویت، جنگل‌های تصادفی، رگرسیون، شبکه‌های عصبی و SVM استفاده کنید.

از تجربه تیم داده ها 4، پیش بینی سری های زمانی، یکی از وظایف اصلی برای حل بهینه سازی هزینه های انبار، هزینه های پرسنل، بهینه سازی نگهداری شبکه های خودپرداز، لجستیک و سیستم های توصیه ساختمان است. مدل‌های پیچیده‌ای مانند SARIMA نتایج باکیفیتی ارائه می‌کنند، اما زمان‌بر هستند و فقط برای طیف خاصی از کارها مناسب هستند.

در مقاله بعدی به رویکردهای اصلی برای جستجوی ناهنجاری ها خواهیم پرداخت.

برای اطمینان از مرتبط بودن مقالات با علایق شما، در نظرسنجی زیر شرکت کنید یا در نظرات بنویسید که در مقالات بعدی در مورد چه موضوعاتی بنویسید.

فقط کاربران ثبت نام شده می توانند در نظرسنجی شرکت کنند. ورود، لطفا.

مقالاتی در مورد چه موضوعی علاقه دارید؟

• سیستم توصیهگر

• تشخیص تصویر

• پردازش گفتار و متن

• معماری های جدید در DNN

• سری های زمانی و جستجوی ناهنجاری

• ML در تجارت، موارد استفاده

17 کاربر رای دادند. 3 کاربر رای ممتنع دادند.

منبع: www.habr.com