Artikel ini membahas bidang penerapan deret waktu, masalah yang harus dipecahkan, dan algoritma yang digunakan. Peramalan deret waktu digunakan dalam tugas-tugas seperti memperkirakan permintaan, beban pusat kontak, lalu lintas jalan raya dan Internet, memecahkan masalah start dingin dalam sistem pemberi rekomendasi, dan mencari anomali dalam perilaku peralatan dan pengguna.
Mari kita lihat tugasnya lebih detail.
1) Perkiraan permintaan.
Sasaran: mengurangi biaya gudang dan mengoptimalkan jadwal kerja staf.
Cara mengatasinya: dengan memiliki perkiraan pembelian barang dan jumlah pelanggan, kita meminimalkan jumlah barang di gudang dan toko persis sebanyak yang akan dibeli dalam rentang waktu tertentu. Mengetahui jumlah klien pada waktu tertentu, kami akan menyusun jadwal kerja yang optimal sehingga tersedia jumlah staf yang cukup dengan biaya yang minimal.
2) Perkiraan beban pada jasa pengiriman
Tujuan: untuk mencegah keruntuhan logistik pada saat beban puncak.
Cara mengatasinya: memprediksi jumlah pesanan, menghadirkan jumlah mobil dan kurir yang optimal.
3) Perkiraan beban pada contact center
Sasaran: untuk memastikan ketersediaan pusat kontak yang dibutuhkan sekaligus meminimalkan biaya dana upah.
Cara mengatasi: memperkirakan jumlah panggilan dari waktu ke waktu, membuat jadwal optimal untuk operator.
4) Perkiraan lalu lintas
Sasaran: memprediksi jumlah server dan bandwidth untuk operasi yang stabil. Agar layanan Anda tidak crash pada hari penayangan perdana serial TV atau pertandingan sepak bola populer 😉
5) Memperkirakan waktu optimal pengambilan ATM
Sasaran: meminimalkan jumlah uang tunai yang disimpan di jaringan ATM
6) Solusi terhadap masalah cold start dalam sistem rekomendasi
Sasaran: Merekomendasikan produk yang relevan kepada pengguna baru.
Ketika pengguna telah melakukan beberapa pembelian, algoritma pemfilteran kolaboratif dapat dibangun untuk rekomendasi, namun ketika tidak ada informasi tentang pengguna, yang terbaik adalah merekomendasikan produk yang paling populer.
Solusi: Popularitas produk bergantung pada waktu pembuatan rekomendasi. Menggunakan perkiraan deret waktu membantu mengidentifikasi produk yang relevan pada titik waktu tertentu.
Kami melihat peretasan kehidupan untuk membangun sistem pemberi rekomendasi .
7) Cari anomali
Tujuan: untuk mengidentifikasi masalah dalam pengoperasian peralatan dan situasi non-standar dalam bisnis
Solusi: Jika nilai terukur berada di luar interval kepercayaan perkiraan, maka anomali telah terdeteksi. Jika ini adalah pembangkit listrik tenaga nuklir, saatnya menambah kuadrat jaraknya 😉
Algoritma untuk memecahkan masalah
1) Rata-rata bergerak
Algoritma yang paling sederhana adalah moving average. Mari kita hitung nilai rata-rata pada beberapa elemen terakhir dan buat prediksi. Untuk prakiraan cuaca lebih dari 10 hari, pendekatan serupa digunakan.
Jika nilai terakhir dalam suatu rangkaian penting untuk memberikan bobot yang lebih besar, kami memperkenalkan koefisien yang bergantung pada jarak tanggal, sehingga diperoleh model berbobot:
Jadi, Anda bisa mengatur koefisien W agar bobot maksimalnya jatuh pada 2 hari terakhir dan hari masuknya.
Mempertimbangkan faktor siklus
Kualitas rekomendasi mungkin dipengaruhi oleh faktor siklus, seperti kebetulan hari dalam seminggu, tanggal, hari libur sebelumnya, dll.
Beras. 1. Contoh dekomposisi deret waktu menjadi tren, komponen musiman, dan kebisingan
Pemulusan eksponensial merupakan solusi dengan memperhitungkan faktor siklus.
Mari kita lihat 3 pendekatan dasar
1. Pemulusan sederhana (model coklat)
Mewakili penghitungan rata-rata tertimbang pada 2 elemen terakhir suatu rangkaian.
2. Penghalusan ganda (model Holt)
Memperhitungkan perubahan tren dan fluktuasi nilai sisa di sekitar tren ini.
Kami menghitung prediksi perubahan residu ® dan tren (d). Nilai akhir y adalah jumlah kedua besaran tersebut.
3. Penghalusan tiga kali lipat (model Holt-Winters)
Pemulusan tiga kali lipat juga memperhitungkan variasi musiman.
Rumus untuk pemulusan rangkap tiga.
Algoritma ARIMA dan SARIMA
Kekhasan deret waktu penggunaan ARIMA adalah keterhubungan antara nilai-nilai masa lalu yang dikaitkan dengan nilai-nilai saat ini dan masa depan.
SARIMA – perpanjangan untuk seri dengan komponen musiman. SARIMAX adalah ekstensi yang mencakup komponen regresi eksternal.
Model ARIMA memungkinkan Anda mensimulasikan deret waktu terintegrasi atau stasioner perbedaan.
Pendekatan ARIMA terhadap deret waktu adalah stasioneritas deret tersebut dinilai terlebih dahulu.
Selanjutnya, rangkaian tersebut ditransformasikan dengan mengambil selisih urutan yang sesuai, dan model ARMA dibuat untuk model yang ditransformasikan.
ARMA adalah model regresi linier berganda.
Yang penting deret tersebut stasioner, mis. mean dan variansnya tidak berubah. Jika deret tersebut tidak stasioner, maka deret tersebut harus diubah menjadi bentuk stasioner.
XGBoost – di mana kita tanpanya?
Jika rangkaian tidak memiliki struktur internal yang diungkapkan, tetapi terdapat faktor pengaruh eksternal (manajer, cuaca, dll.), maka Anda dapat dengan aman menggunakan model pembelajaran mesin seperti peningkatan, hutan acak, regresi, jaringan saraf, dan SVM.
Dari pengalaman tim DATA4, peramalan deret waktu, salah satu tugas utama untuk menyelesaikan optimalisasi biaya gudang, biaya personel, optimalisasi pemeliharaan jaringan ATM, logistik dan sistem rekomendasi bangunan. Model kompleks seperti SARIMA memberikan hasil berkualitas tinggi, namun memakan waktu dan hanya cocok untuk rentang tugas tertentu.
Pada artikel selanjutnya kita akan melihat pendekatan utama untuk mencari anomali.
Untuk memastikan artikel tersebut relevan dengan minat Anda, ikuti survei di bawah ini, atau tulis di komentar topik apa yang ingin ditulis di artikel berikutnya.
Hanya pengguna terdaftar yang dapat berpartisipasi dalam survei. , silakan.
Artikel tentang topik apa yang Anda minati?
-
Sistem pemberi rekomendasi
-
Pengenalan gambar
-
Pemrosesan ucapan dan teks
-
Arsitektur baru di DNN
-
Deret waktu dan pencarian anomali
-
ML dalam bisnis, kasus penggunaan
17 pengguna memilih. 3 pengguna abstain.
Sumber: www.habr.com