O artigo analiza as áreas de aplicación das series temporais, os problemas a resolver e os algoritmos empregados. A previsión de series temporais utilízase en tarefas como a previsión da demanda, a carga do centro de contacto, o tráfico por estrada e de Internet, a resolución do problema de arranque en frío nos sistemas de recomendación e a busca de anomalías no comportamento dos equipos e usuarios.
Vexamos as tarefas con máis detalle.
1) Previsión da demanda.
Obxectivo: reducir os custos de almacén e optimizar os horarios de traballo do persoal.
Como solucionalo: tendo unha previsión de compras de mercadorías e o número de clientes, minimizamos a cantidade de mercadorías no almacén e almacenamos exactamente a cantidade que se mercará nun intervalo de tempo determinado. Coñecendo o número de clientes en cada momento, elaboraremos un horario de traballo óptimo para que exista un número suficiente de persoal cun mínimo de custos.
2) Previsión da carga do servizo de entrega
Obxectivo: evitar o colapso da loxística durante os picos de carga.
Como resolvelo: predecir o número de pedidos, traer o número óptimo de coches e mensaxeiros á liña.
3) Previsión da carga no centro de contacto
Obxectivo: garantir a dispoñibilidade necesaria do contact center minimizando os custos do fondo salarial.
Como resolver: previsión do número de chamadas ao longo do tempo, creando un horario óptimo para os operadores.
4) Previsión de tráfico
Obxectivo: prever o número de servidores e ancho de banda para un funcionamento estable. Para que o teu servizo non falle o día da estrea dunha popular serie de televisión ou dun partido de fútbol 😉
5) Previsión do momento óptimo para a recollida do caixeiro automático
Obxectivo: minimizar a cantidade de efectivo almacenada na rede de caixeiros automáticos
6) Solucións ao problema de arranque en frío nos sistemas de recomendación
Obxectivo: recomendar produtos relevantes aos novos usuarios.
Cando o usuario realizou varias compras, pódese construír un algoritmo de filtrado colaborativo para recomendacións, pero cando non hai información sobre o usuario, o ideal é recomendar os produtos máis populares.
Solución: a popularidade dos produtos depende do momento en que se fai a recomendación. O uso da previsión de series temporais axuda a identificar produtos relevantes nun momento dado.
Analizamos os trucos vitais para crear sistemas de recomendación .
7) Busca de anomalías
Obxectivo: identificar problemas no funcionamento dos equipamentos e situacións non estándar na empresa
Solución: se o valor medido está fóra do intervalo de confianza previsto, detectouse unha anomalía. Se se trata dunha central nuclear, é hora de aumentar o cadrado da distancia 😉
Algoritmos para resolver o problema
1) Media móbil
O algoritmo máis sinxelo é a media móbil. Calculemos o valor medio dos últimos elementos e fagamos unha predición. Para as previsións meteorolóxicas de máis de 10 días, úsase un enfoque similar.
Cando é importante que os últimos valores dunha serie aporten máis peso, introducimos coeficientes en función da distancia da data, obtendo un modelo ponderado:
Así, pode establecer o coeficiente W para que o peso máximo caia nos últimos 2 días e nos días de entrada.
Tendo en conta factores cíclicos
A calidade das recomendacións pode verse afectada por factores cíclicos, como a coincidencia co día da semana, data, festivos anteriores, etc.
Arroz. 1. Exemplo de descomposición de series temporais en tendencia, compoñente estacional e ruído
O suavizado exponencial é unha solución para ter en conta factores cíclicos.
Vexamos 3 enfoques básicos
1. Suavizado simple (modelo marrón)
Representa o cálculo dunha media ponderada dos últimos 2 elementos dunha serie.
2. Dobre suavizado (modelo Holt)
Ten en conta os cambios de tendencia e as flutuacións dos valores residuais ao redor desta tendencia.
Calculamos a predición de cambios nos residuos ® e tendencia (d). O valor final de y é a suma destas dúas cantidades.
3. Suavizado triple (modelo Holt-Winters)
O triple suavizado tamén ten en conta as variacións estacionais.
Fórmulas para triple suavizado.
Algoritmo ARIMA e SARIMA
A peculiaridade das series temporais para o uso de ARIMA é a conexión entre os valores pasados asociados cos actuais e os futuros.
SARIMA – extensión para series con compoñente estacional. SARIMAX é unha extensión que inclúe un compoñente de regresión externo.
Os modelos ARIMA permiten simular series de tempo estacionarias integradas ou diferenciadas.
O enfoque ARIMA das series temporais é que primeiro se avalía a estacionariedade da serie.
A continuación, a serie transfórmase tomando a diferenza da orde adecuada e constrúese un modelo ARMA para o modelo transformado.
ARMA é un modelo de regresión múltiple lineal.
É importante que a serie sexa estacionaria, é dicir. a media e a varianza non cambiaron. Se a serie non é estacionaria, debe levarse a unha forma estacionaria.
XGBoost: onde estaríamos sen el?
Se unha serie non ten unha estrutura expresa interna, pero hai factores externos que inflúen (xestor, clima, etc.), entón podes usar con seguridade modelos de aprendizaxe automática como o impulso, bosques aleatorios, regresión, redes neuronais e SVM.
Da experiencia do equipo DATOS4, previsión de series temporais, unha das principais tarefas para resolver a optimización de custos de almacén, custos de persoal, optimización do mantemento das redes de caixeiros automáticos, sistemas loxísticos e de recomendación de edificios. Os modelos complexos como SARIMA proporcionan resultados de alta calidade, pero levan moito tempo e só son axeitados para unha determinada gama de tarefas.
No seguinte artigo analizaremos os principais enfoques para buscar anomalías.
Para asegurarte de que os artigos sexan relevantes para os teus intereses, fai a enquisa a continuación ou escribe nos comentarios sobre os temas que tes que escribir nos próximos artigos.
Só os usuarios rexistrados poden participar na enquisa. , por favor.
Artigos sobre que temática che interesa?
-
Sistemas de recomendación
-
Recoñecemento de imaxes
-
Tratamento da fala e do texto
-
Novas arquitecturas en DNN
-
Busca de series temporais e anomalías
-
ML nos negocios, casos de uso
Votaron 17 usuarios. 3 usuarios abstivéronse.
Fonte: www.habr.com