Artikkelissa käsitellään aikasarjojen käyttöalueita, ratkaistavia ongelmia ja käytettyjä algoritmeja. Aikasarjaennustetta käytetään muun muassa kysynnän, yhteyspistekuormituksen, tie- ja Internet-liikenteen ennustamisessa, kylmäkäynnistysongelman ratkaisemisessa suosittelujärjestelmissä sekä laitteiden ja käyttäjien käyttäytymisen poikkeavuuksien etsimisessä.
Katsotaanpa tehtäviä tarkemmin.
1) Kysynnän ennustaminen.
Tavoite: vähentää varastokustannuksia ja optimoida henkilöstön työaikataulut.
Miten se ratkaistaan: Kun on ennuste tavaroiden ostoista ja asiakasmäärästä, minimoimme tavaran määrän varastossa ja varastoimme täsmälleen sen verran kuin ostetaan tietyllä aikavälillä. Kun tiedämme kulloisenkin asiakasmäärän, laadimme optimaalisen työaikataulun niin, että henkilöstöä on riittävästi mahdollisimman pienin kustannuksin.
2) Kuljetuspalvelun kuormituksen ennustaminen
Tavoite: estää logistiikan romahtaminen ruuhkahuippujen aikana.
Kuinka ratkaista se: ennustaa tilausten määrää, tuo optimaalinen määrä autoja ja kuriireita linjalle.
3) Yhteyskeskuksen kuormituksen ennustaminen
Tavoite: varmistaa yhteyskeskuksen vaadittu saatavuus ja minimoida palkkarahastokustannukset.
Ratkaisu: puheluiden määrän ennustaminen ajan mittaan, optimaalisen aikataulun luominen operaattoreille.
4) Liikenneennusteet
Tavoite: ennustaa palvelimien lukumäärän ja kaistanleveyden vakaan toiminnan varmistamiseksi. Jotta palvelusi ei kaadu suositun tv-sarjan tai jalkapallo-ottelun ensi-iltapäivänä 😉
5) Pankkiautomaattien noudon optimaalisen ajan ennustaminen
Tavoite: minimoida pankkiautomaattiverkkoon tallennetun käteisen määrän
6) Ratkaisut kylmäkäynnistysongelmaan suositusjärjestelmissä
Tavoite: Suosittele sopivia tuotteita uusille käyttäjille.
Kun käyttäjä on tehnyt useita ostoksia, suosituksille voidaan rakentaa yhteistyösuodatusalgoritmi, mutta kun käyttäjästä ei ole tietoa, on parasta suositella suosituimpia tuotteita.
Ratkaisu: Tuotteiden suosio riippuu suosituksen antamisajasta. Aikasarjaennusteiden käyttö auttaa tunnistamaan asiaankuuluvat tuotteet minä tahansa ajankohtana.
Tarkastelimme life hackeja suositusjärjestelmien rakentamiseen .
7) Etsi poikkeavuuksia
Tavoite: tunnistaa ongelmat laitteiden käytössä ja epätyypillisiä tilanteita liiketoiminnassa
Ratkaisu: Jos mitattu arvo on ennustetun luottamusvälin ulkopuolella, poikkeama on havaittu. Jos kyseessä on ydinvoimalaitos, on aika kasvattaa etäisyyden neliötä 😉
Algoritmit ongelman ratkaisemiseksi
1) Liukuva keskiarvo
Yksinkertaisin algoritmi on liukuva keskiarvo. Lasketaan viimeisten elementtien keskiarvo ja tehdään ennuste. Yli 10 päivän sääennusteissa käytetään samanlaista lähestymistapaa.
Kun on tärkeää, että sarjan viimeisillä arvoilla on enemmän painoarvoa, otamme käyttöön kertoimet päivämäärän etäisyydestä riippuen, jolloin saadaan painotettu malli:
Voit siis asettaa W-kertoimen niin, että maksimipaino laskee 2 viimeiselle päivälle ja tulopäiville.
Suhdannetekijät huomioiden
Suositusten laatuun voivat vaikuttaa suhdannetekijät, kuten viikonpäivän yhteensopivuus, päivämäärä, edeltävät juhlapyhät jne.
Riisi. 1. Esimerkki aikasarjan jakautumisesta trendiin, kausikomponenttiin ja kohinaan
Eksponentiaalinen tasoitus on ratkaisu suhdannetekijöiden huomioimiseen.
Katsotaanpa 3 peruslähestymistapaa
1. Yksinkertainen tasoitus (ruskea malli)
Esittää painotetun keskiarvon laskentaa sarjan 2 viimeiseltä elementiltä.
2. Kaksinkertainen tasoitus (Holt-malli)
Ottaa huomioon trendin muutokset ja tämän trendin ympärillä olevat jäännösarvojen vaihtelut.
Laskemme residuaalien ® ja trendin (d) muutosten ennusteen. Y:n lopullinen arvo on näiden kahden suuren summa.
3. Kolminkertainen tasoitus (Holt-Winters malli)
Kolminkertainen tasoitus ottaa lisäksi huomioon vuodenaikojen vaihtelut.
Kaavat kolminkertaista tasoitusta varten.
ARIMA ja SARIMA algoritmi
Aikasarjojen erikoisuus ARIMA:n käytössä on yhteys menneiden arvojen välillä, jotka liittyvät nykyisiin ja tuleviin.
SARIMA – sarjan laajennus kausikomponentilla. SARIMAX on laajennus, joka sisältää ulkoisen regressiokomponentin.
ARIMA-malleilla voit simuloida integroituja tai erosta riippumattomia aikasarjoja.
ARIMA-lähestymistapa aikasarjoihin on, että sarjan stationaarisuus arvioidaan ensin.
Seuraavaksi sarja muunnetaan ottamalla sopivan järjestyksen erotus, ja muunnetulle mallille konstruoidaan ARMA-malli.
ARMA on lineaarinen moniregressiomalli.
On tärkeää, että sarja on paikallaan, ts. keskiarvo ja varianssi eivät muuttuneet. Jos sarja ei ole paikallaan, se tulee viedä kiinteään muotoon.
XGBoost – missä olisimme ilman sitä?
Jos sarjalla ei ole sisäistä ilmaistua rakennetta, mutta siihen on ulkoisia vaikuttavia tekijöitä (manageri, sää jne.), voit turvallisesti käyttää koneoppimismalleja, kuten tehostusta, satunnaisia metsiä, regressiota, hermoverkkoja ja SVM:ää.
Joukkueen kokemuksesta TIEDOT4, aikasarjaennuste, yksi päätehtävistä varastokustannusten, henkilöstökulujen optimoinnin, ATM-verkkojen ylläpidon optimoinnin, logistiikan ja rakennussuositusjärjestelmien optimoinnissa. Monimutkaiset mallit, kuten SARIMA, antavat korkealaatuisia tuloksia, mutta ovat aikaa vieviä ja soveltuvat vain tiettyihin tehtäviin.
Seuraavassa artikkelissa tarkastellaan tärkeimpiä lähestymistapoja poikkeavuuksien etsimiseen.
Varmistaaksesi, että artikkelit vastaavat kiinnostuksen kohteitasi, vastaa alla olevaan kyselyyn tai kirjoita kommentteihin, mistä aiheista kirjoitat seuraavissa artikkeleissa.
Vain rekisteröityneet käyttäjät voivat osallistua kyselyyn. , ole kiltti.
Artikkelit mistä aiheesta olet kiinnostunut?
-
Recommender-järjestelmät
-
Kuvantunnistus
-
Puheen ja tekstin käsittely
-
Uudet arkkitehtuurit DNN:ssä
-
Aikasarjat ja poikkeamien haku
-
ML liiketoiminnassa, käyttötapaukset
17 käyttäjää äänesti. 3 käyttäjää pidättyi äänestämästä.
Lähde: will.com