It artikel besprekt de gebieten fan tapassing fan tiidsearjes, de problemen dy't moatte wurde oplost, en de brûkte algoritmen. Tiidreeksfoarsizzing wurdt brûkt yn taken lykas it foarsizzen fan fraach, kontaktsintrumbelêsting, dyk- en ynternetferkear, it oplossen fan it kâlde startprobleem yn oanbefellingssystemen, en sykjen nei anomalies yn it gedrach fan apparatuer en brûkers.
Litte wy nei de taken yn mear detail sjen.
1) Fraachfoarsizzing.
Doel: ferminderje pakhúskosten en optimalisearjen fan wurkskema's fan personiel.
Hoe it op te lossen: mei in prognoaze fan oankeapen fan guod en it oantal klanten, minimalisearje wy it bedrach fan guod yn it pakhús en bewarje presys safolle as sil wurde kocht yn in opjûne tiid berik. Mei it witten fan it tal kliïnten op elts momint meitsje wy in optimaal wurkskema op sadat der mei in minimum oan kosten genôch personiel is.
2) Foarsizze de lading op de levering tsjinst
Doel: foar te kommen dat logistyk ynstoart by pyklasten.
Hoe it op te lossen: it oantal oarders foarsizze, bring it optimale oantal auto's en koeriers op 'e line.
3) Foarsizze de lading op it kontakt sintrum
Doel: om de fereaske beskikberens fan it kontaktsintrum te garandearjen, wylst de kosten fan leanfûns minimalisearje.
Hoe op te lossen: foarsizze it oantal oproppen oer de tiid, it meitsjen fan in optimaal skema foar operators.
4) Ferkearsfoarsizzing
Doel: foarsizze it oantal tsjinners en bânbreedte foar stabile operaasje. Dat jo tsjinst net crasht op 'e dei fan' e premjêre fan in populêre tv-searje of fuotbalwedstriid 😉
5) Foarsizze de optimale tiid foar ATM-kolleksje
Doel: minimalisearje it bedrach fan cash opslein yn it ATM netwurk
6) Oplossingen foar it probleem mei kâld start yn oanbefellingssystemen
Doel: Oanbefelje relevante produkten oan nije brûkers.
As de brûker ferskate oankeapen hat makke, kin in gearwurkjend filteralgoritme boud wurde foar oanbefellings, mar as der gjin ynformaasje is oer de brûker, is it optimaal om de populêrste produkten oan te rieden.
Oplossing: De populariteit fan produkten hinget ôf fan 'e tiid dat de oanbefelling wurdt makke. It brûken fan prognosen fan tiidsearjes helpt relevante produkten op elts momint te identifisearjen.
Wy seagen lifehacks foar it bouwen fan oanbefellingssystemen yn .
7) Sykje nei anomalies
Doel: problemen te identifisearjen yn 'e wurking fan apparatuer en net-standert situaasjes yn bedriuw
Oplossing: As de mjitten wearde bûten it prognosebetrouwensynterval is, is in anomaly ûntdutsen. As dit in kearnsintrale is, is it tiid om it plein fan 'e ôfstân te fergrutsjen 😉
Algoritmen foar it oplossen fan it probleem
1) Moving gemiddelde
It ienfâldichste algoritme is it bewegende gemiddelde. Litte wy de gemiddelde wearde op 'e lêste pear eleminten berekkenje en in foarsizzing meitsje. Foar waarberjochten langer dan 10 dagen wurdt in ferlykbere oanpak brûkt.
As it wichtich is dat de lêste wearden yn in searje mear gewicht bydrage, yntrodusearje wy koeffizienten ôfhinklik fan 'e ôfstân fan' e datum, it krijen fan in gewicht model:
Sa kinne jo de W-koëffisjint ynstelle sadat it maksimale gewicht falt op 'e lêste 2 dagen en de yngongsdagen.
Mei rekken hâldend mei sykliske faktoaren
De kwaliteit fan oanbefellings kin beynfloede wurde troch sykliske faktoaren, lykas tafal mei de dei fan 'e wike, datum, foarôfgeande feestdagen, ensfh.
Rys. 1. Foarbyld fan tiid rige ûntbining yn trend, seasonal komponint en lûd
Eksponinsjele glêdjen is in oplossing om rekken te hâlden mei cyclyske faktoaren.
Litte wy nei 3 basis oanpak sjen
1. Ienfâldich glêdjen (Bruin model)
Fertsjintwurdet de berekkening fan in gewogen gemiddelde op 'e lêste 2 eleminten fan in searje.
2. Dûbele glêd (Holt-model)
Nimt rekken mei feroarings yn trend en fluktuaasjes yn restwearden om dizze trend.
Wy berekkenje de foarsizzing fan feroarings yn residualen ® en trend (d). De úteinlike wearde fan y is de som fan dizze twa hoemannichten.
3. Triple smoothing (Holt-Winters model)
Triple smoothing hâldt ek rekken mei seizoensfariaasjes.
Formules foar triple smoothing.
ARIMA en SARIMA algoritme
De eigenaardichheid fan tiidrekken foar it gebrûk fan ARIMA is de ferbining tusken ferline wearden assosjearre mei hjoeddeistige en takomstige.
SARIMA - útwreiding foar searjes mei in seizoenskomponint. SARIMAX is in útwreiding dy't in eksterne regression komponint omfettet.
ARIMA modellen kinne jo simulearje yntegrearre of ferskil-stasjonêre tiid rige.
De ARIMA-oanpak fan tiidsearjes is dat de stasjonariteit fan 'e searje earst beoardiele wurdt.
Dêrnei wurdt de searje omfoarme troch it ferskil fan 'e passende folchoarder te nimmen, en in ARMA-model wurdt konstruearre foar it omfoarme model.
ARMA is in lineêr meardere regressionmodel.
It is wichtich dat de rige stasjonêr is, d.w.s. de gemiddelde en fariânsje feroare net. As de rige net-stasjonêr is, moat it nei in stasjonêre foarm brocht wurde.
XGBoost - wêr soene wy sûnder wêze?
As in searje gjin ynterne útdrukte struktuer hat, mar d'r binne eksterne beynfloedzjende faktoaren (manager, waar, ensfh.), Dan kinne jo feilich gebrûk meitsje fan masine-learmodellen lykas boosting, willekeurige bosken, regression, neurale netwurken en SVM.
Ut de ûnderfining fan it team DATA4, foarsizzing fan tiidsearjes, ien fan 'e wichtichste taken foar it oplossen fan de optimalisaasje fan pakhúskosten, personielskosten, optimisearjen fan it ûnderhâld fan ATM-netwurken, logistyk en oanbefellingssystemen foar bouwen. Komplekse modellen lykas SARIMA jouwe resultaten fan hege kwaliteit, mar binne tiidslinend en binne allinich geskikt foar in bepaald oanbod fan taken.
Yn it folgjende artikel sille wy sjen nei de wichtichste oanpak foar it sykjen nei anomalies.
Om derfoar te soargjen dat de artikels relevant binne foar jo ynteresses, nim dan de enkête hjirûnder, of skriuw yn 'e opmerkings oer hokker ûnderwerpen jo moatte skriuwe yn' e folgjende artikels.
Allinnich registrearre brûkers kinne meidwaan oan 'e enkête. , asjebleaft.
Artikels oer hokker ûnderwerp binne jo ynteressearre yn?
-
Oanbefellingssystemen
-
Ofbylding erkenning
-
Spraak- en tekstferwurking
-
Nije arsjitektuer yn DNN
-
Tiid rige en anomaly sykjen
-
ML yn bedriuw, gebrûk gefallen
17 brûkers stimden. 3 brûkers ûntholden har.
Boarne: www.habr.com