Tímaraðir í spá um eftirspurn, álag á dreifingarmiðstöðvar, vöruráðleggingar og leit að frávikum

Greinin fjallar um notkunarsvið tímaraða, vandamálin sem á að leysa og reiknirit sem notuð eru. Tímaraðarspá er notuð í verkefnum eins og að spá fyrir um eftirspurn, álag tengiliðamiðstöðva, vega- og netumferð, leysa kaldstartvandamál í meðmælakerfum og leita að frávikum í hegðun búnaðar og notenda.

Skoðum verkefnin nánar.

1) Eftirspurnarspá.

Markmið: draga úr vörugeymslukostnaði og hámarka vinnuáætlanir starfsmanna.

Hvernig á að leysa það: með spá um vörukaup og fjölda viðskiptavina, lágmarkum við vörumagnið í vöruhúsinu og geymum nákvæmlega eins mikið og verður keypt á tilteknu tímabili. Með því að vita fjölda viðskiptavina hverju sinni munum við semja ákjósanlega vinnuáætlun þannig að nægilegt starfsfólk sé með lágmarkskostnaði.

2) Að spá fyrir um álag á sendingarþjónustuna

Markmið: að koma í veg fyrir hrun í flutningum við álag.

Hvernig á að leysa það: spá fyrir um fjölda pantana, koma með besta fjölda bíla og sendiboða á línuna.

3) Spá um álag á tengiliðamiðstöðina

Markmið: að tryggja tilskilið framboð á tengiliðamiðstöðinni en lágmarka launasjóðskostnað.

Hvernig á að leysa: spá fyrir um fjölda símtala með tímanum, búa til ákjósanlega áætlun fyrir símafyrirtæki.

4) Umferðarspá

Markmið: spá fyrir um fjölda netþjóna og bandbreidd fyrir stöðugan rekstur. Svo að þjónustan þín hrynji ekki á frumsýningardegi vinsæls sjónvarpsþáttar eða fótboltaleiks 😉

5) Spá um ákjósanlegasta tíma fyrir söfnun hraðbanka

Markmið: að lágmarka peningamagn sem geymt er í hraðbankakerfinu

6) Lausnir á kaldræsingarvandanum í meðmælakerfum

Markmið: Mæla með viðeigandi vörum fyrir nýja notendur.

Þegar notandinn hefur gert nokkur kaup er hægt að byggja upp samvirkt síunaralgrím fyrir ráðleggingar, en þegar engar upplýsingar eru til um notandann er best að mæla með vinsælustu vörunum.

Lausn: Vinsældir vara fer eftir því hvenær tilmælin eru sett fram. Notkun tímaraðarspáa hjálpar til við að bera kennsl á viðeigandi vörur á hverjum tímapunkti.

Við skoðuðum lífshögg til að byggja upp meðmælakerfi í Fyrri grein.

7) Leitaðu að frávikum

Markmið: að greina vandamál í rekstri búnaðar og óhefðbundnar aðstæður í viðskiptum
Lausn: Ef mælda gildið er utan spáöryggisbils hefur greinst frávik. Ef þetta er kjarnorkuver, þá er kominn tími til að auka veldi fjarlægðarinnar 😉

Reiknirit til að leysa vandamálið

1) Hreyfandi meðaltal

Einfaldasta reikniritið er hlaupandi meðaltal. Við skulum reikna út meðalgildi síðustu þátta og spá. Fyrir lengri veðurspár en 10 daga er sambærileg nálgun notuð.

Þegar það er mikilvægt að síðustu gildin í röð leggi meira vægi, kynnum við stuðla eftir fjarlægð dagsetningarinnar, fáum vegið líkan:

Þannig að þú getur stillt W stuðulinn þannig að hámarksþyngd falli á síðustu 2 daga og inngöngudaga.

Að teknu tilliti til sveifluþátta

Gæði ráðlegginga geta verið fyrir áhrifum af sveiflukenndum þáttum, svo sem tilviljun við vikudag, dagsetningu, undanfarandi frí o.s.frv.

Hrísgrjón. 1. Dæmi um niðurbrot tímaraða í þróun, árstíðabundinn þátt og hávaða

Veldisjafnun er lausn til að taka tillit til sveifluþátta.

Við skulum skoða 3 grundvallaraðferðir

1. Einföld sléttun (brúnt líkan)

Táknar útreikning á vegnu meðaltali fyrir síðustu 2 þættina í röð.

2. Tvöföld sléttun (Holt líkan)

Tekur mið af þróunarbreytingum og sveiflum í afgangsgildum í kringum þessa þróun.

Við reiknum út spá um breytingar á leifum ® og stefnu (d). Lokagildi y er summa þessara tveggja stærða.

3. Þreföld sléttun (Holt-Winters módel)

Þreföld sléttun tekur að auki tillit til árstíðabundinna breytinga.

Formúlur fyrir þrefalda sléttun.

ARIMA og SARIMA reiknirit

Sérkenni tímaraða fyrir notkun ARIMA er tengingin milli fyrri gilda sem tengjast núverandi og framtíð.

SARIMA – framlenging fyrir seríur með árstíðabundnum þætti. SARIMAX er viðbót sem inniheldur ytri aðhvarfsþátt.

ARIMA líkön gera þér kleift að líkja eftir samþættum eða mismunalausum tímaröðum.

ARIMA nálgun við tímaraðir er sú að fyrst er kyrrsetning raðanna metin.

Næst er röðinni umbreytt með því að taka mismuninn í viðeigandi röð og ARMA líkan er smíðað fyrir umbreytta líkanið.

ARMA er línulegt margfalt aðhvarfslíkan.

Mikilvægt er að röðin sé kyrrstæð, þ.e. meðaltal og dreifni breyttust ekki. Ef röðin er ekki kyrrstæð ætti hún að vera í kyrrstöðu.

XGBoost - hvar værum við án þess?

Ef röð hefur ekki innri tjáða uppbyggingu, en það eru ytri áhrifaþættir (stjórnandi, veður o.s.frv.), þá geturðu örugglega notað vélanámslíkön eins og uppörvun, tilviljunarkennda skóga, aðhvarf, taugakerfi og SVM.

Af reynslu liðsins GÖGN4, tímaraðarspá, eitt helsta verkefnið við að leysa hagræðingu á vöruhúsakostnaði, starfsmannakostnaði, hámarka viðhaldi hraðbankakerfis, flutnings- og byggingarráðleggingarkerfum. Flóknar gerðir eins og SARIMA gefa hágæða niðurstöður en eru tímafrekar og henta aðeins fyrir ákveðin verkefni.

Í næstu grein munum við skoða helstu aðferðir við að leita að frávikum.

Til að tryggja að greinarnar séu viðeigandi fyrir áhugamál þín skaltu taka könnunina hér að neðan eða skrifa í athugasemdirnar hvaða efni á að skrifa um í næstu greinum.

Aðeins skráðir notendur geta tekið þátt í könnuninni. Skráðu þig inn, takk.

Greinar um hvaða efni hefur þú áhuga á?

• Meðmælakerfi

• Myndaþekking

• Tal- og textavinnsla

• Nýr arkitektúr í DNN

• Tímaraðir og fráviksleit

• ML í viðskiptum, notkunartilvik

17 notendur greiddu atkvæði. 3 notendur sátu hjá.

Heimild: www.habr.com